图像超分辨率技术就是要从低分辨率图像中恢复出原始的高分辨率图像,该技术具有非常广阔的应用前景。但是由于复杂的图像退化模型,超分辨率重建问题变得极为病态,无法直接求解。由于基于学习的图像超分辨率重建算法在求解该病态问题时有着优异的效果,发展迅速,因此,本文主要研究基于学习的方法,并对其进行深入分析和改进。针对传统的基于稀疏表示的方法所存在的问题,本文提出了基于主结构分离的稀疏表示图像超分辨率重建算法。该算法利用相关全变分将图像分解为主结构和纹理部分,并对其分开进行处理。对于主结构成分,提出了基于自相似性的自驱动字典学习方案进行重建,而对于纹理部分,则直接利用外部字典进行重建。该算法框架可以有效的减少图像块图案的复杂性,降低对字典尺寸和训练样本的要求,间接的提升字典的表达能力,从而获得更好的超分辨率重建性能,能够应对更加复杂的图像。针对基于稀疏表示的框架固有的缺陷,本文研究了基于流行正则稀疏支持的方法,提出了改进的基于流行正则协同支持的图像超分辨率重建算法。该算法用图像块邻域代替字典构建目标函数,用协同表示系数代替稀疏表示系数构建支持样本集,使得所保持的流形空间结构更加平滑,高低分辨率图像块空间的映射更加精确。同时由于协同表示系数的部分过程可以离线进行,从而在提高超分辨率重建效果的同时减少了运算消耗的时间。针对上述算法实时性不足的缺陷,本文研究了基于固定邻域回归的方法,提出了最适化的固定邻域回归算法。该算法用K-means聚类分析代替KSVD算法来获得字典,从而保持字典训练过程和在线原子搜寻过程的一致性;并且利用绝对相关性作为邻域搜索的度量,从而提高图像块邻域的密度,最终获得算法性能和效率的双重提升。实验结果表明本文提出的图像超分辨率重建算法能够提供更加锐利的边缘、更加细致的纹理、更少的非自然痕迹以及更快的运行速度,具有重要的应用价值。