超分辨率图像重建是以同一场景的一幅或多幅低分辨率图像为输入，结合一定的先验信息，重构出一幅高分辨率图像的技术。这一技术在不改变现有硬件设备的前提下，能够有效地提高图像分辨率，改善图像质量。本文对基于稀疏表示理论的超分辨率图像重建算法进行了研究。该方法采用基于图像块的处理策略，是压缩感知理论在超分辨率图像重建领域的应用，即高分辨率图像块的稀疏表示系数可由其相应下采样后的低分辨率图像块精确恢复。通过联合训练可得到高低分辨率字典对，并求取输入低分辨率图像块在低分辨率字典下的稀疏表示系数，然后利用该稀疏表示系数结合高分辨率字典得到与输入低分辨率图像块相对应的高分辨率图像块。为提高高低分辨率训练样本的匹配性，提出了一种改进学习样本的字典训练方法。在联合冗余字典训练样本的获取中，采用两种改善训练样本质量的方法：1）采用高分辨率图像块的高频分量，构成高分辨率图像样本，同等条件下冗余字典对训练所需样本数较少，缩短了字典训练用时，获得更好的超分辨率图像重建效果；2）提出采用改进的多阈值BLBP算子，有效地提取低分辨率图像块的纹理特征，包括图像的微观结构信息和宏观结构信息，并应用到低分辨率训练样本的构成中，提高了匹配的准确性，改善了图像重建的质量。通过实验对冗余字典的大小、正则化系数以及字典训练样本数量等重建参数对图像重建质量的影响进行了详细分析，给出了重建参数选择的指导性建议。针对基于信号稀疏表示的超分辨率图像重建算法计算复杂度高的问题，给出了基于图像块特征的自适应快速超分辨率重建方法。以图像块的灰度方差为评判依据，在方差较小的图像区域，图像块纹理单一、灰度变化缓慢，可采用计算复杂度较低的双三次插值的方法重建，缩短重建用时；而对于方差较大的图像块，其结构较为复杂，高频信息多，则采用基于稀疏表示的超分辨率重建方法，提高超分辨率图像重建质量。实验结果表明，所提出的算法在对重建超分辨率图像质量影响较小的情况下，能较大程度地降低重建图像所需的时间。