图像的超分辨率重建技术是近几十年来应用最为广泛的数字图像图像处理技术。随着机器学习和模式识别技术的发展,基于学习的图像超分辨率重建技术已经成为解决超分辨重建问题的一个非常重要的工具。然而,现有的基于样例学习的超分辨方法采用典型的非概率形式,没有给出具体概率形式的超分重建模型,而且其中的参数多是通过交叉验证获得。为此,本文主要从不确定性分析的角度,利用高斯过程回归理论对超分辨重建建模,研究可行性求解算法及超分辨重建的后处理方法。本文的主要贡献如下：1)提出了基于组合优化的图像超分辨后处理算法。基于回归函数的拟合值给出的是标量形式的函数值,因此,导致基于图像块形式的超分辨重建在同一个像素位置上得到多个候选的像素拟合值。本文通过对这些候选值的组合优化学习,改善图像的重建质量。2)提出了基于边缘属性限制的图像超分辨后处理算法。现有的基于高斯核回归学习的超分重建方法,针对图像的外观特征进行建模,忽视了边缘在主观视觉上的作用,为此,本文在回归学习重建超分辨图像的基础上,针对图像边缘属性进行建模,进一步优化图像质量。3)提出了基于高斯过程回归稀疏求解的图像超分辨算法。建立局部高斯过程回归模型,解决高斯过程回归求解超分辨问题的可行性问题；进一步利用稀疏求解算法,不仅优化高斯核函数的超参数,而且也优化了训练的初始输入,从而得到更精确的高斯过程回归解。实验证明本文所提超分算法及后处理方法在图像视觉主观评价和信噪比评价标准下可以与当前流行的超分重建方法相媲美,重建出图像边缘平滑,并且在主观视觉方面和客观评价标准上都超过实验中的三种超分辨率重建方法。