随着多媒体和移动互联网的发展，基于图像和视频的多媒体技术得到了广泛的应用，影响着社会生产和生活的方方面面。在图像获取过程中，受到图像采集设备、采集环境、噪声以及低码率压缩等因素的影响，在接收终端呈现的图像往往是含有压缩失真的低分辨率的低质图像。因此，如何提高图像的空间分辨率、改善图像质量，一直以来都是图像处理领域所致力解决的问题。　　围绕由低分辨率、低比特率压缩图像重建高分辨率、高质量图像的问题，本论文从3个角度进行了探讨研究：基于学习的人脸图像超分辨率复原、结合视觉敏感度和超分辨率复原技术的低比特图像压缩与重建以及面向低比特压缩图像的人脸超分辨率复原。本论文的主要工作包括：　　(1)针对人脸图像的低分辨率问题，提出了一种改进的基于非线性本征变换模型的人脸图像超分辨率复原算法。首先针对现有算法中样本归一化准确性较差的问题，提出了一种面向整体特征分析的人脸图像可逆几何归一化算法；然后将基于非线性核函数的偏最小二乘回归模型引入本征变换模型中，有效地提高了大倍数人脸图像超分辨率重建的质量。实验结果表明，与传统基于线性本征变换的方法相比，本文提出的算法能有效缓解重建结果在放大倍数较大时近似样本的平均脸问题，并且重建的高分辨率图像具有较好的主客观质量。　　(2)人眼对不同纹理具有不同的敏感度，结合人眼的这种视觉敏感度特性，提出了一种基于超分辨率复原的低比特率图像压缩算法。在编码端，首先对图像的纹理进行分析，将图像分成不同的分块，即边缘块、纹理块和平坦块，然后根据分类结果分别采用不同的方法进行压缩。在解码端，通过引入超分辨率复原技术，提高重建图像质量。实验结果表明，与传统的JPEG压缩编码方法相比，本文提出的算法能有效缓解低比特率压缩图像的块效应失真问题，并且在低码率压缩中，重建图像的主客观质量均明显优于JPEG算法及其他同类算法。　　(3)针对低比特压缩人脸图像的超分辨率复原问题，提出了一种面向低比特率压缩图像的人脸超分辨率复原方法。离线部分，首先根据压缩图像失真程度建立分类样本库，采用不同CQ值对LR人脸图像进行压缩，然后对压缩图像进行滤波后处理，去除失真图像中较明显的块效应；最后将滤波后压缩图像的量化失真程度作为特征进行K均值聚类，将滤波后的LR人脸图像按照其失真程度分为多类，分别进行KPLS-Eigentransformation模型的训练。在线部分，首先对输KPLS-Eigentransformation模型和样本库，进行超分辨率重建。实验结果表明，本文提出的方法能有效解决块效应失真对图像放大的影响，与直接对低比特率失真图像进行放大相比，重建图像具有更高的主客观质量。