由于物理成像系统和成像环境的限制,如光学模糊、运动模糊、下采样和系统噪声,人们很难得到一幅理想的高分辨率(High Resolution,HR)图像或图像序列。超分辨率(Super-resolution,SR)重建技术由于其自身价格低廉且能有效地产生高质量的图像而备受关注。它在很多实际的图像应用中发挥出巨大的潜力,包括计算机视觉、视频监控、遥感成像等等。基于学习的方法是目前十分有效的单帧图像超分辨率重建方法,它又可以分为基于回归的方法和基于编码的方法,本文对基于支持向量回归的方法进行了深入的研究,提出了两种超分辨率重建算法。基于回归的单帧图像超分辨率重建的关键问题是建立样本库中已有的高分辨率图像和低分辨率(Low Resolution,LR)图像之间的映射关系,来指导测试集中的低分辨率图像的超分辨率过程,以得到符合视觉感受的高质量图像。现有的基于支持向量回归的图像超分辨方法大都利用单层支持向量回归(Support Vector Regression,SVR)模型来重建源图像,这种方式并不能有效地拟合训练数据,从而降低了重建图像的质量。本文针对这一问题提出了基于多层支持向量回归机模型的单帧图像超分辨方法。同时,考虑到图像结构的多样性,将图像中的所有像素分类,包括水平边缘像素,垂直边缘像素和平滑区域,以此突出图像的局部特点。另外,我们按照每个支持向量回归机模型的输出像素在高分辨率图像块中所处的位置,将对应的SVR模型的输入进行不同程度的加权,以求更好地描述高低分辨率图像块间的对应关系。实验结果表明,该算法不论在各类指标上还是在视觉上都有显著的提高。上述所说的方法是将多输出回归问题分解为几个单输出回归问题来求解,这样显然忽略了训练过程中高分辨率图像块中的每个像素对其邻近像素的影响,因此得到的重建图像会有振铃效应,而且增加了运算量。为了解决这一问题,本文提出使用多任务最小二乘支持向量回归模型来模拟高分辨率和低分辨率图像块间内在的空间关系,从而改善由于使用多个单输出回归模型而使得重建像素之间不连续的问题,这对于保持重建的高分辨率图像的锐利边缘非常有效。另外,贯穿整幅自然图像有很多重复的图样,这样的非局部冗余对于改善重建图像的质量很有帮助。因此,引入自然图像的非局部自相似性先验作为正则项,进一步提高多输出回归模型的超分辨率重建结果的质量。实验结果表明,该算法的性能好于当前很多先进的超分辨方法。