近年来,在单幅图像的超分辨率(Super Resolution,SR)重建算法中,基于稀疏表示的图像超分辨率算法由于其重建图像的视觉效果较好,得到了广大学者和研究人员的关注。但是该方法在图像超分辨率重建过程中也存在一定的问题:其一,这类算法并没有充分利用图像自身的纹理结构信息,使得重建图像存在伪影和块效应现象,并且图像重建的时间久。其二,这类算法只利用外部数据库进行字典学习,忽略了图像自身包含的内部信息,导致重建图像的边缘处视觉效果不佳。本文针对上述两个问题,提出了相应的图像超分辨率重建算法。本文的提出的算法及创新点如下:1.在稀疏表示的超分辨率重建过程中,需要对输入图像至上而下进行重叠块划分。但该过程并没有考虑图像自身的结构特征,直接将图像的平滑部分和边缘部分都划分成大小相同的图像块,使得图像重建时间成本高,并且重建图像的边缘处存在伪影现象。针对该问题,本文在第三章提出一种基于分块自适应的图像超分辨率算法。该算法的主要贡献是改进图像的分块方式,基于图像四叉树的分块思想,根据图像本身的纹理结构信息,采用自适应分块算法对图像进行块划分,将图像的平滑部分划分为大尺度的图像块,图像的边缘部分划分为小尺度的图像块。对于划分后的两类图像块,我们选择两种不同的方法进行重建。平滑图像块包含较少的高频信息,直接利用双三次插值的方式进行重建,可以避免接缝效应和块状效应,而且重建消耗的时间几乎为零。对于纹理结构突出的边缘图像块,利用其在过完备字典上的稀疏表示进行重建。再将两类重建图像块放置到目标高分辨率图像的对应位置上,完成图像的超分辨率重建。最后在MATLAB实验平台上进行仿真,实验结果表明相比于Yang的算法和NESR的算法,所提算法的重建图像的视觉效果最佳,并且其重建时间约为NESR的算法的一半。2.在基于学习字典的重建算法中,重建图像的质量很大程度上依赖于输入图像和训练样本之间的相关性。但在基于稀疏表示的超分辨率算法中,只利用外部数据来构造训练样本,然后进行字典学习,该过程并未考虑对输入图像自身信息的挖掘。所以对于一些和训练样本图像相似性弱的输入图像来说,由于外部数据训练得到的字典表达能力有限,难以准确提供重建过程需要的高频信息,导致无法重建出高质量图像。针对该问题,在本文的第四章提出基于分类的图像超分辨率重建算法。该算法的核心思想是利用图像相似度判断将输入图像分成两类:结构相似图像和结构不相似图像。对于结构相似的输入图像,图像中包含大量的自相似图像块,所以我们采用基于自学习的超分辨率算法进行重建,重建图像有较好的视觉效果。对于结构不相似的输入图像,即图像的纹理结构相对复杂,重建需要更多的高频信息。为此,我们提出结合自学习和稀疏表示的图像超分辨算法,同时利用外部数据库和图像自身的内部信息对其进行重建,可以更好的恢复其丢失的高频信息。本章提出的算法对不同类型的输入图像选择针对性的重建方法,使得对于不同类型的输入图像都可以达到很好的重建效果。对于纹理结构复杂的图像,重建质量有明显的提升。将本章算法和基于稀疏表示以及基于自学习的算法进行对比,实验表明在3倍超分辨率情况下,本章提出算法的重建图像的PSNR值提高0.4～0.7d B。