超分辨率重建技术(SR)目前已经被应用到各个领域,它是图像处理中非常重要的一个环节。利用SR技术,能够将一些低分辨率(LR)图像,经过重建后得到高频信息更丰富、纹理更清晰的高分辨率(HR)图像,有利于接下来的分析和处理。SR重建技术用软件的方式实现了图像质量的提升,它成为了一种既经济又行之有效的提高图像分辨率的手段。同时,随着大数据时代的到来,基于学习的SR重建算法也正是现在研究的热门算法。本文的主要内容包括:首先,介绍了一些SR技术的基本知识,包括SR重建技术的基本模型,以及SR重建算法的分类,详细介绍了几种基于插值的SR重建算法和基于学习的SR重建算法,并对重建图像的质量评价做了详细的研究。其次,在了解和实现了几种典型的图像SR重建算法的基础上,详细分析了基于稀疏表示的SR技术,本文研究了一种改进的基于集中稀疏表示的SR算法,具体的做法是在训练阶段和重建阶段都加入了K-means方法进行聚类,使其相似的图像块聚集在一起,然后在自适应的选择字典进行重建,这样求得的图像比经典的方法效果更好。在这个的基础上,本文又对其中获得PCA的方法上进行了改进,用奇异值分解代替原始的特征值分解,使得获得的子字典更加准确,从而达到更好的重建效果。最后,本文研究了一种基于深度卷积神经网络的针对遥感图像的超分辨率重建(SRCNN)算法。首先,本文构建了遥感图像的训练库,训练出了适合遥感图像超分辨重建的模型,实验结果表明本文构建的训练库,对遥感图像的重建有很好的效果,并且该算法重建的图像要比经典的SR重建算法重建图像在主观视觉上和客观评价指标上都有很大的提升。