受成像设备的硬件限制和成像过程中自然因素的影响,自然采集的图像往往呈现较低的分辨率。通过硬件途径提高图像的分辨率需要改善传感器芯片尺寸和增加单位面积内像素的数量,这不仅需要高额的费用,而且面临严峻的技术挑战。超分辨率图像重建是一种通过信号处理方法消除成像过程中产生的图像退化的技术,它能够克服硬件条件的限制,从软件角度解决图像分辨率低的问题。在信息科技高速发展的今天,图像超分辨率重建技术在许多领域具有重要应用,成为计算机视觉领域的研究热点。在军事卫星、公共安全与交通、视频监控与取证、医学成像、工业成像等领域也有特殊的应用。本文主要研究基于学习的超分辨率图像重建方法,包括基于传统机器学习的超分辨率图像重建技术和基于深度学习的超分辨率图像重建方法。主要工作如下:提出了一种基于多特征融合和稀疏表示的图像超分辨率重建方法。在提出的方法中,我们利用稀疏字典学习重建彩色图像的亮度通道的细节特征并恢复高频成分,并利用边缘插值方法重建图像的CbCr通道,有效地提高图像边缘的清晰度。在亮度通道的重建过程中,我们提出一种多特征融合的联合特征表示方式,从多个方面反映图像的高频信息,并根据人眼对高频信息更加敏感的视觉特性去除图像中过平滑的区域,保留含有高频信息的显著性区域,得到最终的训练样本。通过联合训练学习,使得高分辨率图像块的稀疏表示与对应的低分辨率图像块的稀疏表示相同。在图像重建过程中结合局部加权约束正则化项提高稀疏求解的速度和精度,从而得到重建的高分辨率图像。实验结果表明,该方法可以得到较好的重建效果,重建图像的视觉效果和数值评价结果都更优于对比方法。随着深度卷积神经网络在图像目标识别、图像分类等计算机视觉领域的成功应用,2015年Dong将卷积神经网络引入到图像超分辨率重建研究中,并取得了很好的研究成果。为了提高重建图像的质量,我们在Dong的算法基础上提出了一种改进的方法。我们的改进主要体现在两个方面:一是改进网络结构,即通过增加网络深度和卷积层数,使网络模型学习到更加全面的信息,从而获得更加丰富和具有更强的表征能力的图像特征。二是结合修正线性单元激活函数和Softplus激活函数提出了一种新的非线性激活函数,使其与生物神经元的激活特性更加接近,同时使得神经网络具有稀疏性,优化了网络性能。实验结果表明,与原方法相比,改进后的方法具有更好的重建效果。