近年来，稀疏表示理论在图像处理领域得到了迅猛地发展，已成功地运用到图像的超分辨率重建中，并取得了巨大的研究成果。本文围绕基于稀疏表示的图像超分辨率重建展开研究，提出了两种较为有效的图像超分辨率重建算法：基于MCA（Morphological Component Analysis，形态学成分分析）和字典学习的图像超分辨率重建以及基于自相似性和双稀疏字典的图像超分辨率重建。这两种方法能够进一步提高图像的重建质量，满足人们对高分辨率图像的需求。基于MCA和字典学习的图像超分辨率重建算法是在图像重建过程中引入了MCA图像分解理论，从而能够更好地重建出图像的高频纹理信息。在该方法中，图像被看成是结构部分（Structure）和纹理部分（Texture）的线性组合，针对图像结构部分和纹理部分的不同属性，运用不同的图像超分辨率重建方法分别对其进行重建，最终合成期望的目标高分辨率图像。基于自相似性（Self-similarity）和双稀疏字典的图像超分辨率重建算法是在图像重建过程中结合了图像自相似性理论和双稀疏字典学习方法，从而实现了在不需要外部自然图像库的情况下对低分辨率图像实时、快速的重建。该方法通过利用低分辨率图像自身在同一尺度和不同尺度下的自相似性形成的图像金字塔关系，得到包含低分辨率图像自身信息的高、低分辨率图像集；再运用双稀疏字典学习方法将其训练成高、低分辨率字典对；最后对低分辨率图像稀疏重建，从而得到预期的目标高分辨率图像。实验结果表明，本文所提的两种算法都能够获得较好的重建效果。其中基于MCA和字典学习的图像超分辨率重建算法得到的重建图像能够很好地保持图像的边缘、纹理等信息；而基于自相似性和双稀疏字典的图像超分辨率重建算法在保证图像重建质量的同时能够做到实时、快速重建。