随着社会的发展,对视频和图像的质量要求越来越高,由于通过硬件提高图像空间分辨率成本过高,因此通过软件来提高图像空间分辨率的超分辨率重构技术应运而生。本论文研究常用超分辨率重构算法,根据它们不同的理论模型,分析其局限性。首先,视频图像超分辨率重构的第一步是图像配准,需要有亚像素级的运动估计,而现有算法稳健性不足;其次,现有算法将上采样过程与去模糊过程分开,并没有利用到序列图像在去模糊过程中的优势,且由于现有算法的局限性,只能处理整数级的放大倍数;最后,现有算法对彩色图像的处理过于简单,超分辨率重构结果常有伪影出现,影响用户视觉观察。本论文主要针对目前超分辨率重构算法的缺点,提出改进方案,主要研究工作如下:(1)针对超分辨率重构算法中图像配准稳健性不足的缺点,提出了改进的基于互信息的图像配准。在现有的基于互信息的图像配准中,常使用粒子群优化(Particle Swarm Optimization,PSO)算法或Powell算法进行优化,但这两种算法都存在各自的不足。本论文提出将PSO算法与Powell算法结合起来,利用PSO算法的全局搜索能力和Powell算法的局部寻优能力,提高图像配准的稳健性与精确性。(2)针对超分辨率重构算法中求解过程的不合理以及放大倍数的局限性,本论文提出一种交替最小化超分辨率重构算法。通过添加一个对模糊核进行约束的正则项,将上采样过程与去模糊过程结合起来,使算法更加有效。针对处理放大倍数的不足,提出将原始低分辨率图像序列进行二次下采样,实现有理数级的放大倍数。(3)针对超分辨率重构算法对彩色图像处理的局限性,提出添加一个包含彩色信息的正则项到交替最小化超分辨率重构算法中,实现对彩色图像的有效处理,区别于现有算法常出现的伪影,更适应于用户的直接观察。本论文为了证明交替最小化超分辨率重构算法在实际应用中的有效性与稳健性进行了一系列的对比实验,实验结果表明改进算法与常用算法相比,效果更好,其主观评价与客观评价指标均高于其他常用算法。