超分辨率图像重构指的是在不改变图像采集设备和外部环境的前提下，仅通过数字图像处理的方法对低分辨率图像进行复原，重构出接近原始图像视觉效果的高分辨率图像。传统的图像重构算法过程简便但效果不够理想，为此本文结合机器学习的理论，提出了一种基于残差字典的超分辨率图像重构算法，不仅改善了重构图像的视觉效果，而且在客观评价指标峰值信噪比（PSNR）和结构相似度（SSIM）上也有所提升。本文的具体工作如下：　　1.提出一种将残差字典与普通字典相结合的图像重构算法。使用SVR（支持向量回归机）对样本进行训练生成一种被称为字典的学习模型，之后将经过字典重构的图像与原始的高分辨率图像相减得到残差图像，再次通过SVR对残差图像和重构图像进行训练得到残差字典。在预测阶段先后使用两个字典对图像进行重构，可以更好地重建图像边缘等高频信息，从而获得高质量的重构图像。　　2.验证了本文算法的有效性。将本文算法与传统的双三次插值法，凸集投影法以及基于卷积神经网络的算法，从视觉效果，客观评价两个方面进行比较。实验结果表明，本文方法在此两个方面的性能均有所提升。　　3.研究了本文算法的适用范围。选取风景、人脸、交通工具等5类图像，分别采用本文算法进行实验并对重构图像的质量进行了分析。实验结果表明，本文算法在处理人脸以及交通工具图像时可以呈现出较好的重构效果。而在处理航拍图像时，重构效果不够理想。