图像是我们感知外部，了解世界的一种重要信息。但是，在很多实际场合所获得的图像信息是低分辨率的。 由于高分辨率图像能提供丰富的细节和敏感的色彩转换，因此，发展一种成本低廉且易于实现的图像处理技术来提高图像的分辨率是非常必要的。图像超分辨率便是这样一种能将一幅或多幅小而模糊的低分辨率图像转化为一幅大而清晰且富含更多图像细节的高分辨率图像的技术。图像超分辨率技术已经广泛的应用在了医疗器械、智能交通、文本鉴别、安防监控等多个领域。从机器学习的观点来看，图像超分辨率本质上是建立一个从低分辨率图像到高分辨率图像的映射关系。极限学习机是一种性能优良的非线性映射工具，在机器学习、模式识别等领域得到了广泛应用。本文基于极限学习机，研究了图像超分辨率技术，其主要内容如下：　　首先，针对固定结构极限学习机存在过拟合导致网络泛化性能不足的问题，提出了一种基于L1正则化的极限学习机的图像超分辨率算法。该算法采用最小角回归算法求解L1正则化极限学习机的问题，并在图像重建最后阶段采用迭代反向投影的方法对图像全局信息进行恢复。经实验验证，该方法在图像超分辨率过程中得到了很好地效果。　　其次，针对基于邻域嵌入的图像超分辨率算法，只考虑相邻图像块间的线性组合关系而未考虑图像块间非线性组合关系的不足，提出了一种基于极限学习机的非线性邻域嵌入图像超分辨率方法。该方法采用极限学习机对图像块间的非线性关系进行学习并用于图像块的匹配。实验结果可见，所提算法无论从视觉效果还是对比方法的数值体现上都有了较好的提升。　　最后，针对基于极限学习机的图像超分辨率方法网络深度不足且不能实现更复杂的非线性映射的缺点，提出了一种基于深度表示极限学习机的图像超分辨率算法。该法采用多个极限学习机串联的方式，得到了深度极限学习机算法，并将其用于图像超分辨率操作。因此实验结果较其它方法有明显提升。