在日常生活和科学研究中,人们常需要获取高分辨率(High Resolution,HR)图像,而受到图像传感器硬件条件的制约,所采集到的图像往往不能满足需求。如何使用软件方式突破硬件系统物理极限来增强图像的分辨率,对图像处理技术的提高有重大意义。图像超分辨率(Super Resolution,SR)重建技术属于图像融合技术,它可以将同一场景的多个低分辨率(Low Resolution,LR)观测图像进行融合,得到一幅包含更多细节的HR图像。这一技术突破了光学传感器制造技术的限制,可以在不提升硬件的情况下实现图像分辨率的提高,目前在遥感、监控、军事、红外等众多领域具有非常重要的应用前景。本文针对SR重建技术中的一些关键问题进行了研究,主要包括LR序列亚像素运动估计、基于压缩感知(Compressive Sensing,CS)理论的SR重建、基于视觉显著性的SR重建以及红外全变分SR重建算法。主要创新性研究结果如下:(1)利用由粗到细的思想提出了一种分级亚像素运动估计算法。将传统算法估计亚像素运动参数时需要对LR图像进行插值转换为仅需对三维曲面峰值插值,提高了估计精度,降低了运算量。算法先利用基于SIFT特征的配准算法计算整数级的运动参数,然后通过相位相关三维曲面图得到亚像素等级运动参数,不仅保证了亚像素运动参数的精度,同时进一步降低了运算量,实验结果表明所提算法有效。(2)提出了一种基于CS的单帧图像SR重建算法。与传统此类算法需要训练字典不同,此算法不需使用训练数据,而是将轮廓波变换作为CS下的稀疏基。算法在重建过程中采用了改进正交匹配追踪(Modified Regularized Orthogonal Matching Pursuit,mROMP)算法对最优化问题进行求解。仿真结果表明所提算法可以有效对单帧图像进行SR重建,并且优于使用小波作为稀疏基重建的结果。(3)将基于CS理论的单帧SR算法拓展到多帧SR重建领域,提出了一种基于多尺度Non-local字典的多帧SR重建算法。根据自然图像具有非局部自相似性这一特点,使用LR图像序列的不同尺度图像作为训练集训练字典,并通过使用拟重构信号和样本之间的MSE来选择初始字典,解决K-SVD字典训练过程中对初始字典过于依赖的问题。仿真结果表明,算法可以有效利用输入图像的有用信息,并得到较好的重建结果。(4)提出了一种基于视觉注意机制的区域SR重建算法。算法利用了人们在观看一副图像时只对自己感兴趣的区域进行重点分析,而不是注意图像的所有信息这一特性,在Itti算法的基础上引入动态金字塔分解的思想来对输入图像进行多尺度的分析,可以保证相同场景不同分辨率的图像的显著图一致,增加了稳定性。另外,算法通过对图像进行显著图提取得到图像中的视觉显著区域,然后利用人眼超视锐度生物学原理来选择LR图像序列中的关键帧,这样就大大降低了图像分析的运算量,提高了效率。(5)根据曲率差分可以有效区分边缘区域和平滑区域这一性质,用其构造自适应正则化项来替代全变分(Total Variation,TV)正则项,提出一种基于曲率差分的自适应TV正则化红外SR重建算法,解决了传统重建算法中存在的过平滑问题。并利用共轭梯度优化最小化(Fletcher-Reeves Majorization-minimization,FR-MM)算法求解最优化问题获得HR图像。通过仿真实验与其它算法对比可知,使用自适应正则化参数以及FR-MM算法可以有效改善重建结果。