图像超分辨率重建是以一种软件手段增强或融合同一目标或场景的单幅或多幅低分辨率(Low Resolution，LR)图像获得一幅高分辨率(High Resolution，HR)图像的技术，它为后续的特征提取和高层模式识别提供有力依据，被广泛应用于工业视觉、医学成像、公共安全监控以及卫星遥感等诸多领域，成为目前国际上的研究热点。然而，图像超分辨率重建问题的不适定性和信息不确定性，也给研究人员和工程技术人员带来重大机遇和巨大挑战。　　本论文以提升图像质量及有利于后续应用为目标，重点围绕基于正则化与回归学习的图像超分辨率重建及其在人脸超分辨和多光谱遥感图像融合等方面的应用展开研究。　　主要创新成果为:　　(1)综合图像梯度的全局超拉普拉斯特性和局部结构方向自适应回归先验，提出一个全局和局部结构内容自适应正则化的单幅图像超分辨模型。首先，利用广义高斯分布拟合图像梯度模的重尾特性，由最大后验概率框架构造了图像全局内容感知的lα（0＜α＜1）范数稀疏性度量;然后，利用图像局部内容的各向异性相关性，给出基于Geman-McClure(GM)权函数加权的局部结构方向自适应回归先验;最后利用半二次惩罚和变量分裂法，设计了该优化模型快速求解的超分辨算法。实验结果表明:该方法在峰值信噪比与结构相似度两方面优于现有的一些超分辨方法，能够很好地恢复图像的纹理细节和边缘信息。　　(2)利用彩色图像各通道之间的互补性和相关性，提出一种边缘和颜色信息保持的彩色图像超分辨方法。对于亮度通道，研究了自然图像的一种重尾梯度分布作为图像先验;对于色度通道，提出基于亮度信息驱动的色度信息超分辨的两阶段方法:第一阶段，考虑到图像大部分的形状和结构信息包含在亮度通道中，利用基于亮度信息驱动的马尔科夫随机场模型寻找局部色度插值的最优方向;在第二阶段，利用非局部自回归模型进一步提升色度图像质量。实验表明提出方法在峰值信噪比，结构相似度，特征相似度以及平均色度误差上均优于一些现有的超分辨率重建方法。　　(3)利用低分辨率图像与对应的高分辨率图像之间的相关性，提出一种公共特征空间上偏最小二乘(Partial Least Squares，PLS)回归的单幅图像超分辨样例学习方法。其核心是将输入的LR测试图像与HR图像训练集之间的关系近似为待估计的HR图像与HR图像训练集之间的关系。为了有效的捕获LR图像与HR图像之间的强相关性，将LR图像与HR图像映射到一个公共的特征空间上;进一步地，为了保持图像的二维结构信息，引入二维典型相关性分析将LR与HR图像块映射到公共的特征空间上。然后，在这个公共的特征空间上，为了降低重建误差，通过偏最小二乘方法建立LR与HR图像之间的回归模型。最后，为了进一步提高图像的重建质量，利用核回归方法对图像块进行全局整合。实验结果表明，与已有一些图像超分辨方法相比，该方法在主、客观质量评价方面均取得较好的重建效果。　　(4)充分挖掘图像块的局部不变性特征，提出一种局部不变特征学习的单幅图像超分辨率重建方法。首先为了降低光照对图像块相似性匹配带来的影响，提出利用图像块的奇异值来刻画其特征;其次，引入方向梯度直方图特征描述低分辨图像块的局部几何结构以降低重建噪声的影响;最后，将梯度级或像素级特征空间扩大到耦合的特征空间。实验表明，该方法提高了邻域选择与重构权值的准确度，改善了图像超分辨的质量。　　(5)利用半耦合字典学习方法，提出结合稀疏表示岭回归和弹性网(Elastic Net)回归的全色与多光谱图像融合(Pansharpening)方法。该方法利用高分辨率全色图像块及其退化后的低分辨率图像块，构建训练集，利用半耦合字典学习方法获得的高—低分辨率字典对(Dictionary-Pair)作为刻画多光谱图像结构的字典;结合块内岭回归与块间弹性网回归来预测LR-HR多光谱图像的稀疏表示之间的映射关系。实验结果表明，该方法增强了多光谱图像的空间分辨率，减少了光谱失真。