图像超分辨率重建是指由输入的一幅或多幅低分辨率图像重构得到一幅高分辨率图像的方法，相对于通过硬件获取高分辨率图像，更为廉价，并且充分利用已获取的资源，近年来被广泛应用在视频监控、医学成像、高清视频等各个领域。因此，利用现有设备，通过超分辨率技术获取高分辨率图像具有重要的现实意义。基于学习和稀疏表示超分辨率重建由于具有构造准确、对图像类型鲁棒性强与参数易于选择等优点，已成为超分辨率图像重建研究的重要方法之一。本文围绕基于视觉注意和质量可变的超分辨率重建算法，首先研究了图像超分辨率重建技术，为了提高超分辨率重建质量提出了基于图像补丁结构的超分辨率重建算法和基于残差的图像超分辨率重建算法，并针对重建算法复杂度过高的问题提出了一种快速算法。然后研究了一种适用于实际超分辨率重建的无参考图像质量评价方法，将其应用于超分辨率重建实现质量可变的超分辨率重建算法，并有效结合视觉注意机制，提出了基于视觉注意和质量可变图像超分辨率重建算法。具体而言，本文主要研究内容包括以下几个方面：1.针对超分辨率重建过程中涉及到的图像稀疏表示、过完备词典训练、稀疏分解算法做了一定的介绍。确定了采用K-SVD算法学习用于超分辨率重建的高、低分辨率词典，获取图像的稀疏系数向量。2.介绍了基于学习和稀疏表示的超分辨率重建模型。并针对Yang提出的基于学习和稀疏表示的超分辨率重建算法所存在的不足点——忽略图像补丁的结构特性，提出了一种基于图像补丁结构的超分辨率重建算法。该方法首先统计、分析图像补丁的结构特性，并针对不同结构特性的图像补丁采用不同的超分辨率重建算法，实验结果表明相比于Yang方法，本文提出的算法不仅缩短了算法的运算时间，并在一定程度上提高了重建结果的质量。3.针对Yang方法的不足点——高分辨率图像补丁的均值在训练和测试阶段的不等同性，提出了基于残差的图像超分辨率重建算法。该方法利用K-均值算法对学习样本进行聚类，提出多词典思想，并为保持“临界样本”的良好重构性，采用了多词典重建结果加权的方法，在很大程度上提高了超分辨率重建结果的质量。4.针对目前超分辨率算法复杂度过高，需要较长时间重建的缺点，提出了一种快速超分辨率重建算法。首先构造了一个额外的“指导词典”，降低超分辨率重建算法的复杂度，实现加速；并采用Matlab并行计算工具箱对算法进行了加速。实验表明，该算法在不明显影响重建质量的前提下大大缩短了重建时间。5.为提高超分辨率重建的实用性，提出了一种基于视觉注意和质量可变的图像超分辨率重建算法。首先提出了一种适用于超分辨率重建的无参考质量评价方法，然后在此基础上结合人眼视觉特性引入视觉注意机制，将其应用于质量可变的超分辨率重建，并进行了计算机仿真，为大图像的超分辨率重建提供了一种新思路。