现今,视频监控系统在城市中被广泛地用于监控交通情况和记录意外事件。在这些应用中,车牌一直是人们关注的焦点,因为它可以唯一地鉴别它所属的车辆。但是,通常情况下由于摄像头距车牌距离远,再加上车辆的运动造成的模糊,通过监控系统得到的车牌图像往往分辨率较低,难以辨识。超分辨复原作为一种改善图像质量的技术,可以用于解决上述问题。本文在对基于单帧稀疏表示的超分辨算法进行实现和分析的基础上,得出了它容易造成过学习和信息丢失严重时恢复能力差等不足。并针对这些不足提出了一种基于联合学习的超分辨算法来,用以提高对低质图像的恢复能力。同时论文对于车牌这一特殊图像的超分辨进行了研究。设计并实现了可以动态产生合成车牌图像的软件并用生成的合成车牌图像充当训练样本来训练字典。最后还将所产生的模拟车牌序列用于一种基于动态PCA的车牌超分辨复原算法中,得到了较理想的实验效果。本论文主要在以下方面开展了工作：1)编写用于生成合成车牌图像序列的软件。该软件具备缩放,仿射变换,加噪,加模糊等功能,可以生成模拟真实车牌图像序列的合成车牌序列。用合成序列充当训练样本来训练用于稀疏表示的字典,不但使得算法较使用通用样本有了更好的表现,而且通过使用可控样本还可以得到训练样本与算法性能之间的关系。2)针对单帧稀疏表示算法具有的过学习和鲁棒性差的缺陷,提出了一种基于多帧联合学习的算法。这种新的算法假设源于同一高分辨小块的,相互之间存在亚像素平移的低分辨小块能够保持相似的结构。用多帧匹配较好的小块一起重构稀疏系数可以使算法恢复出更多细节,同时避免了过学习而且对于噪声具有较好的鲁棒性。3)利用车牌图像序列合成软件生成的车牌序列做基,研究并实现了一种基于动态PCA的超分辨算法。不同于一般PCA算法,这种算法可以自适应地调整训练样本,从而得到更好的超分辨复原效果。