图像超分辨率重构是指由一幅或多幅低分辨率图像获得高分辨率图像的数字图像处理技术。高分辨率图像能够提供更多的细节信息，对于图像目标的分析和处理有重要作用。由于环境因素的干扰、成像系统硬件条件和处理器性能的限制，以及信道传输带宽和压缩等因素，获得的图像和视频分辨率往往较低。因此，在现有条件限制下提高图像和视频的分辨率成为图像处理领域的热门研究课题。目前该技术已广泛应用于视频监控、侦察、遥感等领域，如人脸识别、图像恢复、低带宽图像传输等。本文对超分辨率重构技术进行了深入研究，主要研究了以下几个方面：(1)在深入分析现有图像超分辨率重构技术的基础上，提出了一种基于稀疏表示方法和凸集投影方法的两阶段超分辨率图像重构方法。基于稀疏表示的方法能够通过学习训练获得图像局部结构的共同表示基元，从而获得对应高分辨率图像的高频细节信息，该方法充分利用到图像的自身信息和自然图像的先验信息；基于凸集投影(POCS)的方法可以方便地加入图像的先验信息，从而很好地保持了高分辨率图像的边缘和细节等信息，该方法充分利用到图像与图像之间的相关冗余信息和图像的先验信息。本文结合稀疏表示和POCS各自优点，提出了一种基于稀疏表示方法和POCS方法的两阶段超分辨率重构算法。(2)利用稀疏表示方法对每幅图像进行超分辨率重构。深入分析了图像的稀疏表示理论，在单个学习字典算法基础上设计了一种基于K-SVD(K-奇异值分解)算法的联合字典算法。该算法通过对高低分辨率图像块进行学习训练，得到两个对应的高低分辨率字典对，利用字典间的对应关系和低分辨率图像块的稀疏编码进行分辨率放大，研究了低分辨率图像块特征提取问题，不仅可以获得更加有效的编码，而且降低了编码的复杂度。(3)利用凸集投影方法对多幅图像进行超分辨率重构，并深入分析了运动估计算法，在泰勒级数运动估计方法的基础上对Keren运动估计算法进行了改进。Keren算法是基于小角度泰勒级数展开的，采用刚体变换模型，但该算法不能解决当图像间旋转角度较大时估计误差很大的问题。本文方法将传统的刚体模型转化为仿射变换模型，采用三层高斯金字塔，从金字塔第一层开始进行求解，最后获得运动估计信息，该方法克服了Keren算法的缺点，获得了比较精确的运动估计信息。