二十一世纪是信息化的时代,计算机和互联网技术获得了恒古未有的飞速发展,人们已步入大数据时期,伴随着大数据时期的到临,互联网多媒体上呈现了非常多的多媒体信息,如高清图片、高清视频等,然而这些信息因为占用内存空间多且数量巨大不便于存储和传输。人们对高分辨率图像的需求愈来愈强烈,然而因为硬件物理设备成本高和各类客观成像因素的限制,人们本来得到的图像分辨率达不到预期结果,因此经由过程低廉的软件改良图像分辨率的方式取得了巨大的发展空间。图像超分辨重建技术就是采用信号处理技术,从一幅或多幅相同场景下的降质低分辨图像重新构建出一幅质量较好的高分辨率图像。图像信号与语音信号一样,是人类感知、获取周围环境的首要媒介。最新研究统计表明,人类通过图像信号获取的信息占人类所获得的信息总量的约百分之八十^[1]。传统的Nyquist采样定律^[2]要求,信号的采样频率要大于信号最高频率的两倍才能够精确恢复出原始信号。由于这一采样原理限制,给信号的采集、传输和存储等方面带来了越来越多困难。近些年来,在众多的重建算法中,稀疏表示^[3]（Sparse representation）算法因其独特的优势激起了许多学者和研究人员的研究热情。稀疏表示算法以信号稀疏表示原理作为指导思想,对输入的低分辨率图像上任何一个图像块都能利用事先学习好的低分辨率字典进行稀疏表示,从而计算出稀疏表示系数,然后依据高、低分辨率字典计算所得的稀疏表示系数一致性原则,再利用稀疏表示系数和高分辨字典从而计算出高分辨率图像块,再合并所有计算出的高分辨率图像块,在图像块之间的重叠部分取均值,最后获得理想高分辨率图像。笔者以此为基础进行研究,对算法进一步进行了改良。在稀疏表示阶段提出了自适应正则化参数,并将其应用在字典训练和图像重建阶段。在特征提取阶段,利用改良的一阶、二阶梯度特征提取模板提取高、低分辨率图像的特征并分块,取得高、低分辨率图像块;然后利用PCA方法^[4],对获得的高维数据进行降维处理,从而使字典训练的复杂度和时间降低。在字典学习阶段,用当前应用广泛的K-SVD方法融入自适应正则化参数对降维之后的高、低分辨率图像块进行学习得到对应的高、低分辨率字典。图像重建阶段,通过学习稀疏表示的模型,从给定的低分辨率图像本身重建出一幅高分辨率图像,然后笔者使用图像的非局部自相似性原理对重建之后的高分辨图像进行进一步去燥和消除人工痕迹,以便重建之后的图像更加能够满足人们的视觉需求。