空间分辨率是关于图像质量的一种体现。高空间分辨率图像因其具有较高像素密度,图像质量高的特点,可提供关于成像场景更为丰富的细节信息。图像的超分辨率(Super-Resolution,SR)技术就是基于一幅或多幅关于成像场景的低分辨率图像生成关于该场景的高空间分辨率图像的过程,已经成为计算机视觉和图像处理领域的一个活跃的研究方向。本文对图像超分辨率技术的研究现状进行总结与分析;考察了几种典型的深度学习模型。在此基础上,结合深度学习理论成果,对静态图像的超分辨率重构进行了研究,提出了两种新的静态图像超分辨率重构方法。(1)基于受限玻尔兹曼机和稀疏表示的图像超分辨率重构基于RBM(Restricted Boltzmann Machines)网络模型关于数据表示的产生式结构特性,以及基于稀疏理论的联合字典学习模型的启发,提出了一种基于RBM模型联合字典学习及稀疏表示的超分辨率重构算法。字典学习过程中,基于高、低分辨率图像“子块对”构建训练样本集,以无监督方式自动在两个特征空间中同时进行高、低分辨率子块联合字典学习。借助学习得到的联合字典,实现基于稀疏表示的高分辨率图像子块重构;将基于重构子块图像的重叠式拼贴与迭代式误差补偿模型相结合,最终实现高分辨率图像重构。实验验证了该方法的有效性。(2)基于非负稀疏去噪自编码器和稀疏表示的图像超分辨率重构受自编码器结构特性、以及图像超分辨率重构过程的去模糊性的启发,并结合图像本身的非负特性,本文提出一种基于非负稀疏去噪自编码器(Nonnegative Sparse DenoisingAuto-Encoders,NSDAE)模型的联合字典学习方法。该模型将去噪自编码器与非负性、稀疏性的约束相结合,基于高、低分辨率子块构成的非负样本集,实现联合字典的学习;在此基础上,结合稀疏表示来实现图像超分辨率重构。实验验证了该方法的有效性。