随着科学技术的快速发展,计算机视觉的各个领域对高分辨率图像的需求也越来越大。但是,受成像系统硬件条件的限制,一般无法直接获得高分辨率图像,同时,想要通过升级硬件设备来提高图像分辨率代价很大。因此,为了在不改变硬件条件的前提下提高图像分辨率,图像超分辨率重建算法的研究成为了一大热点问题。本文研究单幅图像超分辨率重建算法,提高图像超分辨率重建的质量和效率。主要研究工作如下:(1)研究了基于稀疏表示的图像超分辨率重建算法,介绍了字典学习方法,分析了字典尺寸大小对图像超分辨率重建结果以及重建算法复杂度的影响,并给出了仿真实验结果。(2)提出了一种基于半耦合字典的快速图像超分辨率重建算法。算法中考虑到高、低分辨率稀疏表示系数的不同,在对图像块进行稀疏分解时,利用了高、低分辨率稀疏表示系数之间的映射矩阵,提高了稀疏表示的精度;同时为高分辨率字典中的每一个原子寻找其最近邻域,并根据其邻域计算出对应的投影矩阵,提高了投影矩阵的精度。实验结果表明了算法的有效性。(3)研究了基于卷积神经网络的图像超分辨率重建算法。采用增大卷积核尺寸的方法可以扩大感受野,从而提高重建效果,但同时增加了网络学习的参数量,耗费计算资源。本文采用膨胀卷积,在不增加参数数量情况下,膨胀卷积可以增大感受野。为了避免相同膨胀系数的多层膨胀卷积的“网格效应”问题,本文提出的网络结构模型中每个残差单元中的三层卷积层的膨胀系数设置成锯齿状结构,仿真实验结果显示了膨胀系数对重建效果的影响。(4)提出了一种基于深度递归残差网络的图像超分辨率重建算法。网络深度的加深能改善重建效果,但也带来网络退化、梯度消失等网络训练上的问题,残差学习能较好地解决这些问题。因此,本文提出的网络模型由两个并联子网络组合而成,利用全局残差学习和多路径的局部残差学习相结合的方式,不同的子网络可以提取出不同层次的图像特征,并采用混合卷积提高了卷积层感受野,获得更丰富的图像特征。实验结果表明了本文算法的有效性。