图像超分辨率重建是一种改善图像视觉效果和为图像后续处理做准备的重要图像处理技术。近十几年来随着机器学习和模式识别技术的发展,基于学习的图像超分辨率重建算法得到越来越多的研究,取得了比传统方法更好的结果,基于稀疏表示的超分辨率重建属于其中一类最新发展起来的方法,是目前能取得最好重建效果的算法中的一种,对进一步推动超分辨率重建技术的理论研究和实际应有具有重要的意义。本文主要研究了稀疏表示在图像超分辨率重建中的应用,重点分析和介绍了稀疏表示中字典构建和正则化项建立的方法,并提出将基于稀疏表示的多帧图像超分辨率重建技术应用于遥感图像的时空融合问题中。在传统的基于最大后验概率(MAP)的超分辨率重建算法中,通常建立基于高斯分布或者拉普拉斯分布的噪声模型,但是这种基于某种噪声分布的模型很难自适应处理实际中复杂的噪声类型。针对这个问题,本文提出了一种新的混合噪声模型,通过估计噪声的分布参数来自适应地决定噪声的分布趋势。根据所需处理的低分辨率图像的不同,本文将基于稀疏表示的图像超分辨率重建分为基于单帧图像超分辨率重建和基于多帧图像超分辨率重建两种情形。并进一步讨论了稀疏表示中字典的建立和稀疏性正则化约束的方法。字典的建立方法中详细介绍两类有效的方法:基于图像特征的字典对和聚类型字典;根据稀疏性约束出发点的不同,将正则化项分为基于局部稀疏约束的、加权的局部稀疏性约束和基于全局的稀疏性约束。并通过实验分析和对比了这些方法的特点。另外,针对遥感图像获取中传感器不能拍摄同时具有高空间分辨率和高时间分辨率图像的问题,本文提出将基于稀疏表示的多帧图像超分辨率重建方法应用于此问题中。结合遥感序列图像的特点,从可学习的图像特征空间出发,提出了基于遥感图像空间信息和基于遥感序列时间信息两种学习思路。最后通过实验分析和对比了这两种方法在遥感图像处理中的效果,并将它们和经典的时空融合算法进行了比较。