图像超分辨率重建是指利用一幅或多幅低分辨率图像来获取对应高分辨率图像的一个过程,作为一种后处理技术,其通过恢复图像在采集过程中所丢失的细节信息,来达到提升图像质量的目的。相比于通过成像设备硬件条件的改善来提升图像质量的方式,图像超分辨率重建技术具有更广的应用范围。目前,图像超分辨率重建算法主要分为三类：基于插值、基于重构和基于学习的方法。相比于前两类图像重建算法,基于学习的超分辨率算法在图像重建效果上具有更好的表现,且能有效的解决当图像上采样因子较大时重建图像质量下滑的问题,因此其已成为当前图像超分辨率研究领域的热点方向。论文主要围绕基于学习的图像超分辨率重建方法展开研究,重点分析了基于流形学习的邻域嵌入图像重建算法以及图像结构多尺度自相似性在超分辨率重建的应用,并根据现有图像超分辨率重建算法中存在的问题进行优化改进或扩展,从而实现图像超分辨重建效果上的增强。本文的主要研究内容为：(1)首先,在基于邻域嵌入的图像超分辨率重建算法中,针对图像块的特征表示以及近邻块的权值计算问题进行分析和研究；(2)其次,在图像多尺度相似研究的基础上,提出了一种面向单幅图像的重建算法,通过对低分辨率输入图像进行处理以提供训练集合中的图像对,且为了提升图像重建过程中的效率问题,在进行图像近邻块的查找时,通过结合原地块匹配的思想来缩小图像块的查找范围,实验结果表明了上述方法在图像超分辨率应用中的有效性和合理性。