单帧图像超分辨率重建旨在由低分辨率输入图像复原对应的高分辨率图像,对图像由于降质过程丢失的高频与细节信息进行复原。目前图像超分辨率重建算法种类主要包括:基于插值、基于重建、基于学习以及基于边界先验的方法。本文对于基于学习的超分辨率重建方法进行研究并讨论了相关的预处理方法。本文主要研究了基于学习的超分辨率重建方法并提出了多极限学习机回归融合单帧图像超分辨率重建算法,算法主要内容如下:在训练阶段,利用K均值聚类算法将具有相似结构的插值训练低分辨率图像块分入相同的聚类,之后利用极限学习机计算每一聚类中的低分辨率与高分辨率图像块对得到对应的梯度与高频回归器。在预测阶段,利用多极限学习机回归融合策略估计更加准确的梯度与高频数据,这一过程中融合权重基于样本到聚类中心的距离,同时利用了图像块的各向同性。最后,估计得到的重建梯度与高频作为联合先验重建结果图像。实验数据表明,本文的算法估计梯度与高频准确率更高,与现有的图像超分辨率重建算法相比重建结果均具有竞争性。针对输入图像中广泛存在的压缩痕迹以及图像噪声,本文研究相关处理方法以保证算法重建的质量。针对有损压缩图像中存在的压缩痕迹,本文分析了合理处理压缩痕迹对超分辨率重建的必要性并提出了一个有损压缩图像超分辨率重建算法框架,算法通过样本聚类与非线性回归对图像进行去压缩效应预处理,并与之后的超分辨率重建在一个完整算法框架内实现。针对图像中存在的噪声,本文在对彩色图像非局部均值去噪算法进行研究后推导出一种基于多通道联合估计的非局部均值彩色图像去噪方法,包括彩色通道联合去噪和彩色通道融合去噪两个步骤:在彩色通道联合去噪步骤,采用经典的彩色图像非局部均值去噪算法对噪声彩色图像去噪,得到预去噪图像作为彩色通道融合去噪步骤的输入;在彩色通道融合去噪步骤,采用广义多通道非局部均值去噪算法对预去噪处理的结果再次去除噪声,去噪过程应用预去噪图像三通道高频成分的相似性。实验数据显示,相对于其它经典彩色图像去噪算法,本文提出的算法在主观和客观上均具有竞争性;同时重建结果表明将提出的彩色图像去噪算法作为预处理步骤显著提升了噪声彩色图像的超分辨率重建效果。