Vấn ựề khử nhiễu tắn hiệu luôn là vấn ựề ựược các nhà nghiên cứu quan tâm trên cả phương diện thực tiễn cũng như lý thuyết. Vấn ựề làm thế nào khôi phục tắn hiệu nguyên bản từ dữ liệu bị nhiễu với mong muốn khôi phục tắn hiệu càng giống với tắn hiệu nguyên gốc ựến mức có thể, ựồng thời giữ lại những ựặc ựiểm quan trọng của tắn hiệu. đã có nhiều thuật toán khác nhau ựược công bố và mỗi thuật toán này ựều có những ưu ựiểm và nhược ựiểm riêng. Những phưong pháp khử nhiễu truyền thống sử dụng phương pháp tuyến tắnh như là lọc Wiener (Wiener filtering). Gần ựây, phương pháp khử nhiễu phi tuyến ựược giới thiệu, ựặc biệt là những phương pháp trên cơ sở Wavelet ựược phát triển mạng mẽ, ựa dạng.
Một trong những nhà nghiên cứu tiên phong trong lĩnh vực khử nhiễu cơ sở Wavelet là Weaver và các cộng sự của mình, họ ựã giới thiệu một phương pháp mới khử nhiễu từ ảnh cộng hưởng từ MR (Magnetic Resonance) dựa trên cơ sở mô hình ựược gọi là lấy ngưỡng cứng. Weaver ựã chứng tỏ rằng sử dụng lấy ngưỡng
Wavelet, có thể ựược giảm ựáng kể nhiễu mà không làm mờ hình ảnh. Trong khi Wiever và những nhà khoa học khác chứng minh ưu ựiểm của mô hình khử nhiễu Wavelet dựa trên các kết quả thực nghiệm, Donoho và Johnstone ựã chứng minh các kết quả lý thuyết quan trọng về lấy ngưỡng Wavelet. Donoho và Johnstone ựã chứng minh sự co ngắn Wavelet (Wavelet Shrinkage) ựem lại kết quả khử nhiễu tốt, ựảm bảo tốc ựộ hội tụ tốt hơn, và ựơn giản. Nhiều công trình nghiên cứu ựã ựược công bố trong lĩnh vực Wavelet Shrinkage, hầu hết tập trung vào mô hình thống kê của các hệ số Wavelet và sự lựa chọn tối ưu của các ngưỡng.
Bên cạnh lấy ngưỡng Wavelet, những phương pháp khử nhiễu khác cũng ựược nghiên cứu, như khử nhiễu cơ sở Wavelet sử dụng cây Hidden Markov (Hidden Markov Trees), ựược khởi ựầu bởi Crouse và thực sự thành công. Những mô hình khử nhiễu dựa trên cơ sở HMT cố gắng mô hình hoá phần phụ thuộc giữa các hệ số Wavelet kế tiếp sử dụng HMT, và sử dụng sai số bình phương trung bình nhỏ nhất MMSE (minimum mean-squared error) như là sự ựánh giá cho khử nhiễu.
Các cấu trúc cây (Tree Structures) cho các hệ số Wavelet dựa trên ựộ lớn của chúng, tỷ lệ và sự ựịnh vị rải rác (spatial location) cũng ựang ựược nghiên cứu. Biến ựổi thắch nghi dữ liệu như phân tắch thành phần ựộc lập ICA (Independent Component Analysis) cũng ựược khảo sát. Xu hướng phát triển tiếp theo của lĩnh vực khử nhiễu tập trung vào sử dụng các mô hình thống kê ựể mô hình hoá các ựặc ựiểm thống kê của các hệ số Wavelet và lân cận của nó. Xu hướng tương lai sẽ là tìm kiếm các mô hình thống kê chắnh xác hơn cho phân bố của các hệ số Wavelet không trực giao.