光学相干层析技术(Optical Coherence Tomography, OCT)利用组织对光的散射特性对目标成像，与传统成像利用组织的阻光性和电磁特性相比，该项技术能够快速、无损地获得样本的高分辨率断层成像(分辨率可以达到微米级)。由于成像系统中存在各种噪声干扰，OCT图像噪声强度大、对比度低、清晰度变差和边缘模糊。因此，直接对OCT图像进行分割难度大，且难以实现精细准确的分割。本文从图像数据本身出发，针对小鸡心管OCT图像的边缘结构模糊和细节信息不全等问题，从三个方面展开研究：　　1)单帧OCT图像的超分辨率重建。有效的边缘增强是进行OCT图像精细分割的前提，第三章考虑从理论、建模及实验三方面分步骤进行，采用 KSVD算法对样本进行特征字典训练，同时对影响重建效果的正则化参数?以及字典大小进行了研究，最后对实验结果采用了RMSE、PSNR、SSIM和CNR进行评价。结果表明采用基于特征学习的稀疏重建方法，由于利用了图像的先验边缘特征信息，能够较好的重构出图像的边缘和细节信息。　　2)多帧OCT图像的超分辨率重建。相对于单帧图像的超分辨率重建，多帧图像的重建需要考虑各帧图像间存在的冗余和互异信息，以及各帧间的相对运动，这些特点为多帧图像重建增添了更多可用的信息。第四章对两种空域的多帧超分辨率算法POCS和IBP算法进行了理论与实验的分析和比较，结果表明基于空域的POCS算法将先验知识引入到重建的过程中，能够较好的对多帧低分辨率图像进行重建。　　3)基于活动轮廓模型算法的OCT医学图像分割。针对不同的应用需要提取合理的图像特征才能够有效地区分目标区域和非目标区域，对于普通灰度图像采用亮度特征就可以实现较好分割，对于纹理图像可以采用直方图特征，而OCT心管图像对比度低，边缘模糊，可以采用活动轮廓模型的算法(ACM)进行分割。该算法采用适当的内部能量函数和外部能量函数来控制轮廓曲线的运动，以使初始化的轮廓曲线逼近目标的实际边缘，来达到分割图像的目的。结果表明，采用基于 Chan-Vese和 Region Scalable Fitting(RSF)的几何活动轮廓模型算法对超分辨率重建后的OCT图像进行分割，分割出的有效目标要优于未经过超分辨率重建的图像，最后对分割的结果采用了F-score值进行了评价。