超分辨率重建技术可以从低分辨率图像中重建出细节更丰富的高分辨率图像,广泛应用于医学影像、安防监控等现实场景。近年来,基于深度学习的超分辨率重建算法取得了远超传统非学习算法的优异性能。众所周知,训练数据的质量对模型的重建性能起着关键作用。本文立足于超分辨率重建模型的训练数据,从数据集的真实退化分布和数据采样机制两个角度展开研究。主流超分辨率模型大多采用下采样合成数据作为训练集,合成数据不符合真实图像的退化分布,因此合成数据训练的模型难以重建降质严重的真实低分辨率图像。本文基于薄透镜模型全面分析了真实成像光路,提出了采集高低分辨率图像数据的不同方式,并通过相机选型、数据采集、图像配准系列步骤构建了两种不同退化过程（变焦和改变像素传感器尺寸）对应的真实超分辨率数据集。相比下采样合成数据,本文采集的真实低分辨率图像退化更为严重。实验结果表明基于真实数据集训练的超分辨率模型能够重建出更清晰、干净的高分辨率图像,在不同设备采集的真实图像上也具有一定的泛化能力。超分辨率模型随机采样图像块作为训练样本,纹理单一的图像块重建难度过低,模型难以从这些低频信息主导的样本中学习到有效的重建信息,需要合适的采样策略加以引导。本文从JPEG压缩算法中提取了表征图像编码块比特消耗数的bit-map,并通过积分图优化算法生成了度量图像块复杂度的c-map。基于图像块复杂度先验信息,采样策略为超分辨率模型筛选出了高频信息主导的复杂训练样本。实验结果表明本文提出的采样策略有效提升了主流超分辨率算法的性能,重建出的高分辨率图像视觉效果更理想。本文对模型训练过程进行了收敛分析,并对不同采样比例、采样策略进行消融研究。最后在本文构建的真实超分辨率数据集上测试验证,分析了小规模数据集上所提采样策略的局限性。