图像超分辨率重构广泛应用于医学图像处理、视频监督、天文学研究等领域,主要思想为利用已知的图像信息补充低分辨率图像丢失的细节信息,进而重构出期望的高分辨率图像。现有的超分辨率重构方法一般处理的是无噪图像。对于受到噪声和模糊化影响的图像,超分辨率重构常需要两个独立的过程,即去噪和超分辨率处理。近年的超分辨率重构研究热点之一是如何对图像同时去噪和提高分辨率。目前,已有的处理含噪图像超分辨率重构方法包括基于插值的方法,基于学习的方法等,其中基于稀疏表示的超分辨率重构方法如稀疏编码基方法,稀疏权值方法等受到研究者们的关注。基于稀疏表示的超分辨率重构方法在处理图像超分辨率重构时,能够利用稀疏表示理论对不同图像条件如模糊,噪声等,自适应地调整方法的参数来获得同步降噪和图像超分辨率重构效果。该类方法的不足在于处理高噪声图像的超分辨率重构问题时,未考虑噪声对低分辨率图像边缘等特征信息的干扰。因此,本论文在稀疏表示理论与小波变换的基本理论基础上,围绕如何有效的利用高分辨率图像集对低分辨率图像同步去噪和超分辨率重构进行研究。本文首先阐述与本课题直接相关的基础知识以及理论基础,重点总结分析图像超分辨率重构方法中处理噪声图像方法的关键技术,稀疏字典的构造方法以及小波变换的基本理论。随后,根据小波变换的正交性与多分辨分析特性,提出基于小波稀疏字典的图像超分辨率重构模型,其中,主要设计小波分析字典,小波学习字典的两种稀疏字典构建模型,以及图像超分辨率重构优化模型,获得提升图像降噪和超分辨率重构的效果。最后,本文将提出的方法应用于无噪、含噪图像的低分辨重构上,与已有方法相比后验证了本文方法的有效性。