随着人们的生活水平和现代社会的计算机技术的飞速发展,图像作为一种信息的载体,其中包含的信息非常的多,故人们对图像分辨率的提高提出了进一步的要求。针对这一日益提高的要求,现在迫切的需要是寻找并开发出有效提高图像分辨率的方法来提高图像质量以还原更多图像承载的信息,因此图像的超分辨率重建是计算机视觉领域的一个重要的课题。近年来,计算机的浅层学习与深度学习等理论和技术有着重要的发展,使得图像的超分辨率重建算法的效果不断的提升。针对图像的超分辨率重建问题,本文首先叙述和分析了近期的图像超分辨率重建算法研究状况,并总结了算法的理论基础。本文针对提高图像分辨率这一问题展开主要研究,提出两种基于联合训练回归量的单张图片超分辨率重建方法,对图像的重建效果有不错的提升。本文的主要工作包括:1.为了解决图像中可能含有的噪声污染而影响图像的超分辨率重建效果的问题,本文提出了一种基于联合训练回归量和低秩理论的超分辨率算法。对输入的需超分辨率重建的图像进行低秩分解成两部分,一部分为低秩图像,另一部分为稀疏噪声图像,对其低秩部分的图像,运用联合训练回归量的单张图片超分辨率算法进行重建,对其他稀疏噪声部分运用双三次插值方法重建,重建后两部分再相加融合成最终结果。本方法所得到的效果相较于其他方法有一定的提升。2.JOR算法的重建效果相较于锚定邻域回归和SRCNN等方法的效果有一定的提升,但速度偏慢,为解决JOR算法重建速度缓慢的问题,本文将其算法进行改进,提出了一种改进后的JOR算法。在训练阶段中运用Kmeans方法进行特征分类,分类完后运用每一类的中心点作为锚点,寻找与锚点的K个最近邻特征固定在锚点上,再将所有锚点分到O个类中,算出每类的高低分辨率图像块之间的映射关系,运用类EM算法迭代更新出重建误差最小的分类结果和映射关系。实验表明改进后的JOR算法的图像重建速度相较于之前有了一定的提升,效果也有提升。