由于光学成像系统本身的物理属性限制以及外界环境的影响,获得的图像分辨率可能达不到应用的要求,于是人们希望对现有的低分辨率图像进行超分辨率重建。图像超分辨率重建技术是近年来图像处理领域最活跃的研究课题之一。该技术的基本思想是从一幅低分辨率图像或者多幅低分辨率图像得到一幅高分辨率图像。它可以恢复截止频率之外的信息,使图像具有更丰富的细节信息,这一技术不仅在实际生活中有广泛的应用领域,而且在理论上具有很重要的意义。本文针对基于学习算法解决超分辨率重建问题,完成的主要工作有:从频域和空域角度详细研究并分析了图像超分辨率重建技术相关算法的原理、实现及其优缺点。包括传统插值算法、迭代反投影法、凸集投影算法算法、概率统计法和基于单任务学习重建算法。针对利用单任务学习解决复杂学习问题时精度不高和抗噪能力差的缺点,研究了一种多任务学习算法。详细分析了该算法的理论框架以及在引入关系测度因子的基础上进行运算的简化。在此框架基础上,结合支持向量回归理论,对多任务学习回归算法的目标优化函数以及对偶问题进行了详细推导。提出了基于多任务学习的图像超分辨率重建技术。为了使观测数据更具有针对性,首先利用高斯混合模型对图像像素进行了分类,并根据最大隶属度原则为不同的像素类选择训练数据集合。利用多任务回归算法获得类像素映射模型。重建过程就是由这些类映射模型与隶属度系数内积而成。实验结果表明,本文提出的方法取得了较好的重建效果。