在实际生活中,因为成像系统设备在硬件设备技术上的限制,导致用户常常无法获得合适的图像,不仅影响用户的视觉享受,而且也会对目前的计算机视觉应用造成障碍。所以从软件方面提高图像分辨率的意义十分重大,超分辨率重建(Super-resolution Reconstruction,简称SRR)主要目的是增强图像信息,自从该理论提出以来,被广泛应用安全监控、医学图像处理、生物特征识别、军事和民用遥控等领域,因此提高深度图像分辨率变的尤为重要。目前,基于深度图像进行超分辨率重建算法可以分为:仅利用深度图像进行超分辨率重建和融合同场景彩色图像的深度图像超分辨率重建算法。仅利用深度图像进行超分辨率重建。本文主要研究基于稀疏表达的深度图像SRR,由于压缩感知(Compressive Sensing,简称CS)理论模型的提出,通过CS理论模型对低分辨率深度图像进行SRR。首先,通过稀疏矩阵对低分辨率深度图像进行稀疏表示,然后,结合OMP算法与弱选择ROMP算法的优缺点,引入自适应权值减少算法运行时间,并提高重建图像效果。由于,基于CS理论的SRR缺乏图像先验知识,因此,通过K-SVD算法训练冗余的稀疏字典对深度图像进行SRR。在K-SVD字典训练过程中缺少对样本之间流动性的考虑,采用分类字典训练的方法,并通过自适应弱选择ROMP算法进行字典训练,减少字典训练时间,在重构算法中采用TV算法重构图像,相对于原始K-SVD算法重建出的图像有更加明显的纹理边缘。融合同场景彩色图像的深度图像超分辨率重建算法,其中包括:自适应权值滤波方法,联合双边滤波方法等。由于K-means算法能够快速且高效的对彩色图像进行聚类,通过该算法对同场景中的RGB图像信息进行聚类后,搭建RGB通道信息与D通道信息的数学模型,求解出RGB通道与D通道的相应权值。最后,通过相应的权值重构出效果更加明显的高分辨率深度图像。