图像超分辨率重建是指利用数字图像处理的方式从单幅或者多幅分辨率相对比较低的图像中获得高分辨率图像的过程。该技术可以突破现有成像元器件的固有限制和外界环境干扰,实现图像分辨率的提升,在卫星地图、天气预报和临床医学等领域有着重要的应用价值。基于学习的超分辨率重建算法是当前研究热点,通过在丰富的数据集中学习得到一组过完备字典实现图像重建,提高重建图像的质量。本文以基于学习的超分辨率重建算法为研究主线,开展采用图像的多尺度自相似性实现字典学习、正则化约束实现稀疏编码等研究工作,主要包括以下的内容:针对现有基于学习的超分辨率重建算法过于依赖外部数据集,仅利用同尺度图像块之间的关系作为正则化约束的问题,本文研究了一种基于多尺度自相似学习的超分辨率重建方法。在字典训练阶段,对观测图像进行不同尺度的下采样形成多尺度的图像金字塔;利用近邻嵌入方法在金字塔中寻找不同尺度的相似块;得到的相似块组合成集合作为字典训练的数据集;从而将图像本身的多尺度自相似性引入训练样本集,降低算法对外部数据集的依赖。在图像重建阶段,用目标块的实际值和估计值之间的差值作为正则化约束条件;金字塔的层级间利用正则化约束,挖掘蕴含在图像多尺度结构中的自相似性信息;由此建立高低分辨率图像之间的关系,获得重建图像的先验知识;用此先验知识指导图像重建,提升图像重建质量。为了降低传统字典学习重建算法的时间复杂度高问题,研究并改进了基于K-SVD的字典学习重建方法。首先在稀疏分解阶段,用稀疏分解方法计算稀疏系数,克服传统方法每次迭代仅能加入一个原子的不足,改进为每次迭代可加入满足一定条件的多个原子,获得收敛速度更快,精度更高的信号估计值;其次在字典更新阶段,对使用次数较少的原子模型化,达到去冗余的目的,获得复杂度更低的字典,并将该字典应用于超分辨率重建,获得较好的重建效果。实验结果表明,与多种重建算法相比,无论在主观视觉效果,还是在峰值信噪比和结构相似性指标上,本文所提出的算法都有一定程度的提高。