图像超分辨率重建技术就是采用信号处理技术，从单帧或多帧低分辨率图像中估计出质量较好的高分辨率图像。其核心思想在于根据需要把相关性、互补性很强的多幅图像的有用信息综合在一起。由于超分辨率重建本身是个不适定的逆问题，该课题仍面临诸多挑战。目前，图像超分辨率重建算法主要分为三大类：基于插值、基于多帧重构和基于学习的方法。论文围绕基于学习的超分辨率重建技术展开研究，重点包括基于流形学习的方法和基于稀疏表示的方法。主要研究内容与贡献包括：1、将改进的基于流形学习的超分辨率重建与基于梯度约束的正则化重建结合起来，提出一种新的单帧图像超分辨率重建算法。该算法首先针对基于流形学习的超分辨率重建，提出新的特征提取方法，联合归一化亮度与平稳小波变换细节子带系数两个特征向量，提高重建性能；然后将学习得到的高分辨率图像作为初始估计，将其梯度作为目标梯度域，进行基于梯度约束的正则化重建。实验表明，该算法无论在视觉效果还是客观评价上都获得较好的重建性能。2、针对基于局部线性嵌入的超分辨率重建算法中近邻保持率不高的问题，提出带约束的逐级放大策略，从而提高近邻保持率，改进重建效果。并且对各级放大的图像用迭代反向投影约束进行修正，减少学习过程中可能出现的误差，保证每一级的解向着正确的方向演化。此外，为了充分利用测试图像本身的信息，提出构建联合训练集的思想，进一步改进算法的性能。实验表明，与目前现有的一些算法相比，该算法获得更好的重建结果。3、针对基于稀疏表示的超分辨率重建，提出基于双稀疏字典的图像超分辨率重建算法。双稀疏字典结合了解析字典和学习得到的字典的优势，同时具有自适应性和高效性。实验表明，该算法在保证重建质量的同时，显著提高了重建速度，适合对时间性能要求较高的应用。4、提出基于小波系数稀疏表示的超分辨率重建算法。将训练图像的小波系数划分为三个部分：低频系数、中频系数和高频系数。首先利用中频-高频小波系数训练低分辨率-高分辨率字典对，由此推断测试低分辨率图像丢失的高频细节。然后通过小波逆变换获得高分辨率图像的初始估计。最后利用简单但是高效的迭代反向投影技术实施全局重构约束。实验表明，该算法无论在视觉效果还是客观评价上都获得较好的重建性能。5、针对基于多类别字典的超分辨率重建，提出两种有监督的图像块分类方法，分别使用图像的相位一致性信息和梯度信息作为先验，引导图像块的聚类。相位一致性提供了对图像局部结构重要性的度量，梯度同样是表征图像特征的重要信息。将图像块划分为平滑块和不同方向的非平滑块，使得属于同一类别的图像块具有相似的模式。6、将上述两种图像块分类方法应用到基于多类别字典的超分辨率重建中，重建质量和运行时间均取得了满意的效果，并且对噪声具有一定的鲁棒性。由于图像块和选择的子字典具有相似的模式，因而子字典能更好地对图像块进行稀疏表示和重建。最后，使用非局部自相似约束正则化超分辨率重建问题，进一步改进重建性能。与目前现有的一些先进算法的对比实验验证了文中算法的有效性和优越性。