图像超分辨率重建(Super—Resolution Reconstruction，SRR)，是指运用信号处理技术从一系列模糊、混有噪声的多幅低分辨率(Low—Resolution，LR)图像，来创建一幅或多幅细节更加丰富的高分辨率(High—Resolution，HR)图像。由于SRR技术是在不改变当前成像系统的硬件条件下，克服了成像系统所固有分辨率的限制，最大程度的降低了使用成本。因此，SRR技术是一种比较经济有效的方案，在许多领域中都有着较为广阔的应用前景，近年来成为了国内外图像信号处理领域的研究热点课题之一。　　 本文以超分辨率空域算法和图像降质过程的数学观测模型作为研究主线，简要介绍了基于贝叶斯理论的图像SRR最大后验概率估计(MAP)算法的原理及推导过程。重点研究了基于MAP框架下图像SRR正则化算法的原理，通过对不同全局代价方程的正则化算法进行仿真实现，结合相关理论，对现有SRR算法作进一步的分析，研究得到两种新的改进算法：　　 一是为了更好的保持重建图像边缘，以图像灰度连续性为先验信息，作为重建图像的一个约束项，称之为梯度连续正则项，并结合双边滤波正则项(BTV)，提出了一种基于双正则项的目标方程。实验结果证明了该方法能更好地抑制噪声和保持边缘，且该算法对不同假设类型的噪声模型不敏感，鲁棒性较好，重建图像的视觉效果和峰值信噪比(PSNR)均有一定的提高；并且，无论对假设的单一噪声模型，还是混合噪声模型作用下的LR图像序列重建，鲁棒性均较好。　　 二是提出了一种基于Lorentzian范数估计和数据自适应核回归(AKTV)正则项全局代价方程。Lorentzian范数的基本思想是在SRR重建中使异值对重建图像的影响得到较大程度的减小。实验证明了该重建算法针对不同类型的噪声模型鲁棒性较好，且重建图像边缘保持能力较强，从而得到较为清晰的单幅HR图像，且与其它几个经典方法相比，去噪能力更强，边缘保持较好。