高分辨率图像能够充分表现目标特征,提供更丰富的场景信息,有利于对观察目标进行分析、理解和识别。然而,在实际成像过程中,光学失真、运动模糊、欠采样和随机噪声等因素最终降低了成像系统的空间分辨率。压缩感知作为一种新型的采样理论,能够对稀疏信号或在某个变换域稀疏的信号进行压缩采样,然后利用压缩采样后的信号高概率、高精度地重建原始信号,这种由少量采样点(低维信号)恢复出原始信号(高维信号)的理论无疑为图像超分辨率重建提供了新的思路和方法。基于此,本文主要研究了基于压缩感知理论的图像超分辨率重建技术,主要内容如下:针对红外图像传感器空间分辨率低的缺陷,提出了一种基于过完备字典稀疏表达的单帧红外图像超分辨率重建方法。根据重建模型,该方法可以分为两种:一种基于图像统计学与压缩感知理论;另一种基于图像退化模型与压缩感知理论。其中基于图像统计学与压缩感知理论的方法需要训练得到一对过完备字典来描述高低分辨率图像块之间的映射关系,而基于图像退化模型与压缩感知理论的方法只需要训练得到单个字典即可。为了使算法具有更高的重建效率和精度,我们采用非线性滤波的方法对红外图像进行了基频细节分离操作。实验结果表明,该算法有效提高了红外图像的空间分辨率,其中基于图像退化模型与压缩感知的方法重建出的高分辨率红外图像其PSNR指标比基于邻域嵌入算法平均高1.992dB。由于单一字典(或字典对)无法描述复杂的映射关系,本文又提出了一种基于聚类多字典映射的单帧红外图像超分辨率重建算法。该算法首先采用基于多尺度主成分分析的聚类方法对图像块样本按照其主几何方向进行相似性归类,然后训练得到多个子字典。相比于单一字典,多字典能够将复杂的非线性映射转化为多个简单的线性映射,减少了重建图像中存在的伪像,进一步提高了重建性能。此外,算法引入图像退化模型和改进后的非局部均值滤波作为两项正则约束项对初步重建的高分辨率图像进行二次修正,既保证了算法对随机噪声的抑制能力,又进一步提高了算法的性能。实验结果表明该算法比基于图像统计学与压缩感知理论的方法在PSNR指标上又进一步平均提高了 0.628dB。针对单像素相机提高图像空间分辨率有限的问题,提出了一种基于动态压缩感知理论的超分辨率成像方法。相比于传统的单像素成像系统,该方法能够获得更高空间分辨率的图像并在重建时间上具有明显的优势。为了获得具有亚像素位移的图像序列,我们在DMD上加载了具有亚像素位移的模式,使得该方法在不需要额外硬件装置的条件下就能实现亚像素位移。此外,在测量值的获取过程中,我们还提出了一种多次采样滤波技术,该技术能够有效提高测量值的信噪比。仿真和实验结果均证明了该方法的可行性和有效性。针对单像素相机获取测量值效率低的问题,提出了一种基于并行压缩感知理论的超分辨率成像方法。该方法将随机散射介质引入成像系统并作为系统的测量矩阵,使得系统单次测量就能获得重建原始高分辨率图像所需的全部测量值,实现了数据获取的并行化,极大地提高了测量值的获取效率,使得该系统能够对运动目标成像,克服了传统单像素成像系统无法对运动目标成像的缺陷。此外,在重建阶段,我们提出了两步相移技术,该技术能够将复杂的相位恢复问题转化为标准的压缩感知重建问题,然后结合TVAL3算法实现了图像的高分辨率重建。仿真和实验结果均证明了该方法的可行性和有效性。本文通过对基于压缩感知理论的图像超分辨率重建方法的研究,提出了新的重建算法和新的成像机理,取得了初步成果。以上研究能够为低分辨率成像系统获得高分辨率图像提供良好的技术支撑,也为新型的高分辨率成像系统提供一定的理论依据。