图像处理在人们的现实生产生活中有着非常重要的理论和应用价值，其主要目的是通过技术手段改善图像信息质量以便于人们理解、分析和应用图像。随着大数据时代的到来，人们对图像信息的需求也在不断提高。如何合理的利用海量数据针对具体应用背景进行优化建模并设计高效的求解算法仍将是今后研究的前沿热点。　　本论文着眼于图像处理中的两个子问题:指纹图像的分类问题和单幅图像的超分辨率重建问题，并且结合深度学习的思想方法进行了一些新的尝试与研究。本论文的主要研究工作如下:　　第二章针对指纹图像的分类问题，提出了一种新的基于栈式稀疏自编码神经网络的指纹分类方法，提出的分类算法较少的依赖指纹前序的各项处理，且单一使用方向场特征就可以达到不错的分类准确率。　　第三章针对单幅自然图像的超分辨率重建问题，提出了一种新的基于边界保持的超分辨率重建算法，代替在空间域中直接对图像进行处理，整合了外部与内部梯度先验知识用来重建高质量的图像，并且采用二维的复冲击滤波对图像的边缘细节进行增强。实验结果表明，提出的重建算法能有效的保持图像的边缘，并且取得了很好的重建结果。　　第四章同样对于单幅自然图像的超分辨率重建问题，提出了一种基于级联的非线性回归方法。同时，延续前面章节使用内部先验知识辅助重建的做法，将图像的非局部均值先验引入到级联回归框架当中。实验结果表明，与已有的超分辨率方法相比，提出的算法无论在主观视觉效果还是在客观量化指标上均表现优秀。