图像数据作为数字化信息时代重要的信息载体,是人类了解和认识世界的最重要途径。图像分辨率是评价图像质量的重要指标,图像分辨率代表了图像包含信息的丰富程度,高分辨率图像提供更多物体的细节信息。但在对物体成像过程中,受到成像仪器、拍摄环境等因素的影响,成像过程中往往丢失了许多细节信息,难以满足实际的生活生产应用的需求。超分辨率重建技术作为一种基于软件的图像后处理技术,能够在不更新硬件设备的前提下提高图像的分辨率。因此,超分辨率重建技术在日常生活、视频监控、遥感测绘和医学诊断等领域都有着重要的研究价值与意义。目前超分辨率重建算法的研究对象主要为二维图像。从算法原理上讲,可以分为基于插值、基于重建和基于学习三大类超分辨率算法。基于插值的超分辨率算法通过已知像素在高分辨率栅格的空间关系估计出缺失像素的灰度(或色彩)。基于重建的算法将超分辨率看作一个优化重建误差的问题,通过引入了先验知识来得到局部最优解。相对于前两类算法,基于学习的超分辨率算法通过建立学习模型隐式地学习图像的先验知识,从而得到更好的超分辨率效果。但基于学习的算法需要大量的高分辨率的样本来训练学习模型。本文主要研究不同维度图像数据如二维流形和三维医学影像的情况,二维流形数据反映的是实际三维物体的表面信息,若将二维流形投影到二维空间,表面的高度便看成图像的灰度值,但这类数据高度动态范围非常大;而三维医学影像含有三个维度,数据复杂度明显要比二维图像高得多。对于这两类图像数据,都难以收集到足够多的样本来训练一个鲁棒的学习模型。针对上述问题,在二维图像的超分辨率研究算法的基础上,本文重点研究在稀缺样本情况下基于学习的超分辨率算法,对不同维度的图像数据,提出了三种不同的超分辨率算法来重建高分辨率图像数据。首先,提出了基于邻域嵌入(Neighbor Embedding,NE)和自相似性(Self-similarity)的二维图像超分辨率算法。该算法通过充分挖掘图像内部存在的多尺度和多角度的相似性,建立高低分辨率的图像块之间的映射关系,同时设计了一种基于局部先验知识的增强策略来进一步提高超分辨率精度。实验采用了自然图像和核磁共振(Magnetic Resonance,MR)图像来验证算法的可行性和先进性。其次,提出了基于梯度先验网络和迁移学习的二维流形超分辨率算法,并用于数字高程模型(Digital Elevation Model,DEM)。该算法提出了梯度域上的超分辨率和迁移学习两个措施来将图像知识迁移到DEM超分辨率问题中。首先通过迁移学习的手段来减少DEM超分辨率用网络训练所需要的样本量;同时,考虑到DEM数据连续性好,该算法通过实现梯度域上的超分辨率来缩小自然图像和DEM数据的差异。最后,基于梯度域和高度域上的约束来重建DEM数据。实验表明上述框架能够在有限的样本下保证DEM的超分辨率精度。最后,提出了基于多通道二维卷积神经网络的三维超分辨率重建算法。对于三维超分辨率重建问题,其目的是为了减小三维数据的层厚,提高层间分辨率。作者通过设计了一种多通道的网络结构,将邻域的序列图像同时引入到二维图像的超分辨率重建过程中,从而保证了局部连续性;同时为了保证全局一致性,该算法将不同层面的超分辨率结果融合来重建最终的各向同性数据。实验表明了该算法能够取得更好的重建质量,为解决稀疏样本下高分辨率图像重建问题提供了有效的途径。