图像超分辨率技术是指人们通过软件的手段从一幅或多幅相关的低分辨率观测图像中重建出高分辨率图像的过程。该技术最初应用在医学、航天等相关领域,但随着人们对高分辨率图像的需求越来越多,已逐渐渗透于日常生活中。图像超分辨率问题作为不适定的反问题,当前亟待解决的是如何通过优化过程重建出更高质量的图像,因此超分辨率技术研究具有很大的现实意义。基于学习的图像超分辨率技术通过在丰富的数据集中学习到一组过完备字典实现图像重建过程,获得了较好的重建结果。但现有的方法还存在字典学习效率低,正则化约束项不能有效的指导重建过程等问题,为了进一步提高重建图像质量和改善字典学习效率,本文研究了基于新型字典学习方法的图像超分辨率重建,主要研究工作如下:1.介绍了单幅图像超分辨率技术的研究背景及意义,总结了其应用前景。对国内外现有的三类超分辨率方法做了全面的综述,总结了各自的优缺点。最后确定基于学习的方法为本文研究内容,重点进行了分析。2.针对现有的单幅图像超分辨率技术在训练字典时依赖于外部数据集,忽略对图像自身的利用或者图像自身的同尺度相似块仅能提供有限的额外信息等问题,提出一种基于多尺度自相似性学习的超分辨率算法。首先对观测图像进行不同尺度的放缩形成多尺度的金字塔,然后利用邻域嵌入方法在金字塔中寻找不同尺度的相似块,将得到的相似块组合成集合作为字典训练的数据集从中学习到冗余字典。仿真实验表明,该方法提高了字典训练效率,同时也能保证超分辨率结果图像的质量。3.针对现有的单幅图像超分辨率技术仅利用同尺度图像块之间的关系作为正则项约束,不能有效提高超分辨率图像质量等问题,本文提出一种基于多尺度正则项约束的自相似性学习的方法。在多尺度自相似学习的基础上把多尺度金字塔的各个相邻层的相关性作为约束加入到目标公式中,形成新的目标公式,改善了算法性能,进一步提高了超分辨率结果图像的质量。仿真实验表明,该超分辨率方法能够有效的获得更加清晰的图像,而且对噪声有较强的鲁棒性。