高时间分辨率是指获取高帧频光学图像的能力。成像器件的电荷读出速率、图像数据的传输与存储速率等硬件限制,是实现高帧频光电成像的技术瓶颈。同时,高帧频又与高空间分辨率、宽视场等成像参数形成了相互制约的关系,使得同时在多维度上实现高分辨率指标极为困难。此外在一些特殊情况下,由于条件限制还会导致无法多次观测获得序列图像,因此高时间分辨率具有广泛的应用需求。基于压缩感知的时域超分辨成像的研究目标是为突破器件条件的限制,以较低的数据量代价,通过对观测数据的重建获取高时间分辨率图像,即由单张图像得到多帧序列图像。可有效降低高时间分辨率图像的获取成本和难度,对于降低数据存储量和能耗具有重要意义。此外,为满足高速运动和快速变化目标观测、超快现象科学探索等中的高时间分辨率成像需求也提供了新的研究思路。对于科学探索、对地观测、监视侦察等领域中光电成像系统的技术突破和性能提升具有重要的科学意义。针对目前时域超分辨方法大多非常耗时且重建图像质量较低的问题,本文首先研究了单张观测图像的运动区域估计与自适应时域超分辨成像方法。针对图像重建时一般需要对整张图像重建的情况,提出了三种仅对运动区域重建的时域超分辨方法,包括基于散粒特征的运动区域搜索方法,基于信号相关性的运动分布估计与重建方法,基于插值的运动分布估计与重建方法。其中,基于散粒特征的运动区域分割方法为了避免对静态背景区域的不必要重建,使用等长曝光编码模式获取静止背景区域清晰的观测图像。通过分析观测图像中运动区域的散粒特性,提出了基于像素相似性的运动区域分割方法,对分割后的运动区域进行重建并放回清晰的背景中。该方法不需要重建就能够从单张观测图像中分离出运动区域,从而大大降低了重建所需时间,同时避免了背景重建时的噪声引入,一定程度上提升了重建图像质量。基于信号相关性的运动分布估计与时域超分辨成像方法,根据视频样本小块的运动量分别训练对应不同运动量范围的字典,然后利用图像小块的相关系数会随位移量增大而减小的关系,由快速初步重建的图像序列中估计场景中的运动分布信息,最后通过运动分布图选择对应字典自适应重建视频图像。相比于第一种方法,基于信号相关性的方法能够大致估计出场景运动量的分布,并提高重建图像质量,尤其是对于运动物体区域。为了获得更准确的运动分布估计,本文进一步提出了基于插值的运动分布估计方法。通过特定的连续等长曝光模式获取观测图像,可以对观测图像进行插值得到待估计图像,插值过程中利用基于散粒特征的运动区域分割方法分离运动区域,仅对运动区域进行插值,最后根据运动分布信息自适应重建图像。该方法能更加准确地从单张观测图像中获得运动分布,同时对重建算法没有限制,适用于大多数基于样本学习的算法。本文针对传统盲复原只能估计模糊核而无法得到相机运动信息的问题,将时域超分辨技术与图像复原技术相结合,提出了基于颤振估计的图像复原方法。图像曝光时对视场边缘区域进行编码曝光调制,并重建出序列图像;利用重建序列包含的运动信息估计出相机运动轨迹,然后估计出模糊核作为初始模糊核用于图像复原。该方法不需要额外器件就能够得到相机的颤振信息,一定程度上提升复原图像的质量,特别是对于同时有离焦和运动模糊的退化严重的图像有较好的复原效果。最后,本文还搭建了相应的实验系统对上述自适应时域超分辨成像方法和复原方法进行了验证。实验结果表明本文提出的几种基于运动分布的自适应时域超分辨方法可以较好地获取场景运动信息,提高重建图像质量。同时,本文提出的复原方法也有较好的表现,为传统图像处理问题提供了新的思路。