在医学诊断、卫星成像和视频监控等应用中，高分辨率图像可提供更丰富的信息。由于CCD和CMOS传感器的分辨率限制，采集到的图像在放大时经常容易产生失真。如果单纯依靠改进硬件系统的性能来提高分辨率，首先在技术方面就很难实现突破，其次也会带来难以承受的成本增加。所以，通过超分辨率技术增强采集图像的分辨率，突破硬件系统的限制具有重大的研究意义。 超分辨率复原技术利用信号处理的方法从同一场景的多幅观测低分辨率图像中复原出高分辨率图像或序列，从而克服传感器和光学制造技术的限制。本论文在分析超分辨复原技术的原理的基础上，围绕影响复原效果的退化成像系统模型、运动估计和复原算法等关键技术展开，并在运动估计和复原算法两方面提出一些改进，力求提高超分辨率复原方法的性能。 首先，对于运动估计，本论文研究了频域法、光流法和块匹配法，并在综合分级块匹配法和基于块的梯度下降搜索法的优点的基础上，提出一种新的块匹配法，即改进的基于块的梯度下降搜索法（Improved Block Based Gradient Descent Search，IBBGD）。相对于频域法，该方法适用范围更广；相对于光流法，该方法的运算量更少；而相对于常用的块匹配法，该方法可获得更高的精度。实验结果证明了该运动估计方法的有效性和优越性，基于该运动估计的超分辨率复原算法可以获得较理想的复原结果。 其次，本论文重点研究视频图像超分辨率复原方法。目前，人们对超分辨率复原技术的研究主要集中在基于重建和基于学习的两种方法上。 本论文主要研究两种基于重建的超分辨率复原方法：迭代反投影（IBP）方法和基于Huber-Markov随机场的最大后验概率估计（MAP-HMRF）方法。其中，IBP方法比较简单，仅利用重建约束条件，不能结合先验知识，其复原图像缺少高频细节信息；MAP-HMRF方法将基于Huber-Markov随机场的先验知识嵌入Bayesian MAP框架中来估计高分辨率图像，其复原图像包含更多高频细节。本文分别用频域方法、改进BBGD方法和光流法代替分级块匹配方法进行运动估计。实验结果证明，所做的运动估计改进使得MAP-HMRF算法的复原结果更好，同时也进一步验证精确的运动估计对超分辨率复原方法的重要性。 基于学习的超分辨率复原方法采用新的基于识别的梯度先验知识。在输入较少的低分辨率图像的情况下，该方法就能复原出具有较佳细节信息的高分辨率图像。本文在分析Baker和Kanade提出的基于学习的超分辨率复原方法——”幻脸”的基本原理的基础上，提出一些改进：（1）用拉普拉斯预测的高分辨图像代替双线性插值作为初始估计进行迭代；（2）简化了基于识别的图像的先验模型；（3）加快了在训练中搜索最匹配特征父结构的过程。实验结果表明：改进的“幻脸”算法更简单，同时无论是视觉上还是以均方根误差（RMS）为依据，重建效果均优于“幻脸”算法。