图像超分辨率技术是指利用若干幅低分辨率图像作为输入,通过一系列信号处理的手段融合出具有更多高频细节信息的高分辨率图像的方法的总称。由于图像超分辨率技术能在不需要升级现有的硬件设备的条件下,突破硬件设备的性能限制而取得更好的图像效果,因而在视频监控、医疗图像、卫星图像等领域得到广泛的应用。本文针对小样本训练集下,人脸图像超分辨率学习算法普遍存在的块效应和局部失真现象,提出了一种能有效克服上述问题的人脸图像超分辨率学习算法。该算法在马尔可夫网络模型中,通过引入插值和分步放大的策略提高了观察函数的计算精度；通过引入视觉相容性检查准则优化了兼容性函数的计算；通过引入权值机制,提高了算法在有限的训练集条件下利用训练集的能力,实验结果证实了本文算法的有效性。本文针对马尔可夫网络模型下的图像分块、训练集生成、分块方式及分块大小等具体问题,进行了详细的阐述和分析。对影响算法效果的各种因素进行了大量的实验和总结,对如何在图像的重建过程中改进算法的效果提出了自己的观点和建议,为提高人脸图像超分辨率的重建质量做出了积极探索本文设计并实现了一个基于本文算法的系统实验平台,该实验平台能通过不同参数的设置来比较各种因素对算法重建效果的影响,利用该实验平台,我们可以获得本文算法实验效果的详尽数据,便于对算法的实验效果做出客观的评价。