在数字图像的获取过程中，由于成像器件采样频率的限制会导致欠采样，大气扰动、对焦不准会导致图像模糊，存储传输过程还会引入噪声污染，因而实际获得的图像分辨率往往不能满足视觉或者图像处理的要求。在不改变原有成像设备的基础上，利用超分辨率重建方法获得分辨率更高的图像，成为图像复原、图像增强方面的一个新的研究热点。　　本文从基于多帧重构的重建、基于单帧学习的重建、点扩散函数未知时的盲重建以及重建图像的振铃效应抑制等方面进行了深入的研究分析。　　在基于重构的算法中，主要研究了最大后验概率(MAP)理论框架下，分别使用laplacian正则项和Huber正则项对高分辨率图像进行平滑约束的正则化算法，对比了二者的重建结果，并对正则参数的自适应求解进行分析。　　在基于学习的算法中，主要研究了四种典型的学习重建算法，即基于例子、基于主动轮廓、基于局部线性嵌入和基于预分类学习的方法。针对学习算法中样本库不能很好的适应模糊图像的学习重建，提出一种结合点扩散函数(PSF)支持域估计的方法来提高样本库的适应性，在放大倍数不是很大的情况下，先估计低分辨率插值图像的PSF支持域，根据估计结果对构建样本库的高分辨率图像进行模糊降质，使得待重建图像在同一模糊程度的样本库上进行学习重建。实验证明，该方法对模糊图像学习重建有一定的作用。　　对于PSF未知时的盲重建，分析了两种典型方法，即双正则方法和误差-参数曲线法的原理及局限性，同时提出一种基于退化模型估计的盲重建方法，首先从单帧学习方法得到的重建结果中提取恢复较好的强边缘块作为参考块，在多帧重构算法中尝试使用不同的PSF进行重建，当重建结果中对应块与参考块的相似度取得极大值时即可得到估计的PSF和高分辨率图像。该方法将PSF的估计问题转换为参考块的相似性问题，实验证明，该方法对于较为模糊的图像也能得到不错的重建效果。　　本文最后介绍了循环边界法和模糊滤波方法在振铃效应抑制方面的作用。　　通过实验证明，本文方法对模糊图像的学习重建和盲重建的效果均有改进，具有一定的研究意义和应用价值。