超分辨率复原技术是指通过信号处理的方法,将退化降质的低分辨率图像重建为高质的高分辨率图像,这可弥补实际成像系统由于硬件实现条件和成本限制导致的分辨率不高的局限,并可有效的改善成像过程的退化降质。超分辨率复原在模式识别、视频处理、遥感图像、医学图像等领域具有广阔的应用前景,是近年来图像处理领域的热点研究课题。超分辨率复原最初只在频域进行,但由于频域法的观测模型仅限于全局平移运动模型和LSI(线性移不变)模糊,其适用范围受到很大限制,目前研究多集中在空域。MAP(最大后验估计)超分辨率复原是空域法中普遍采用的主流算法之一,其能灵活而鲁棒的描述噪声特性和空域先验信息,具有全局最优解存在、唯一等突出优点。本文主要讨论MAP超分辨率复原的相关问题。对于MAP超分辨率复原框架的先验模型项,本文提出一种边缘保持自适应先验模型,该先验模型具有边缘保持能力强、收敛速度快的特点,且其尺度和类型在实际应用中可灵活调节。在MAP框架下,基于该模型分别导出了单图像超分辨率复原算法、选择性图像增强算法、图像复原算法及高斯滤波算法。针对传统序列图像MAP法的局限性,本文给出了一种时空联合自适应序列图像超分辨率复原算法,时空联合自适应机制的引入使得算法在保持边缘的同时可减小错误运动估计矢量对重建图像质量的影响。实验表明,该算法具有重建质量好、边缘保持能力强、收敛速度快等特点。本文还给出了一种序列图像帧迭代超分辨率复原算法框架。为整合低分辨率退化成像过程涉及的亚采样和模糊环节,给出了抽样-模糊卷积核的概念,并将其应用到适用于综合考虑亚采样、模糊、运动变形、噪声的完整观测模型的超分辨率复原算法中。为使超分辨率算法能对实际模糊图像进行处理,给出了一种基于三次样条插值的圆对称点扩散函数(PSF)的重构方法,实验表明,该方法能较好的估计出具有圆对称性的实际模糊图像的PSF。