图像的超分辨率图像重建是利用较低分辨率的图像恢复出具有较高分辨率图像的技术,它符合现代技术对机器设备和信息的智能化,可视化,可感知的需求。其研究使图像分析理论与人工智能实现有效的结合,随着研究的深入和技术的不断发展,图像超分辨率图像重建建技术将有具有更加广阔的应用前景。本文将PM模型瑞利散射模型、预测残差金字塔和结构张量三种算法相结合,提出了一种基于空间信息的算法。将自适应可变因子应用于热学扩散模型和光学瑞利散射模型,使两模型中的像素在高频或低频中的扩展能够自适应地自动调整,算法的关键是如何实现在模型中的参数设置,使其能在提升分辨率的过程中自适应可变因子自动调节与改变扩散程度。在热学扩散模型中通过计算相邻像素散度的均值和标准差,构造参数k,这种构造方法比线性放大更能保持边界的光滑。论文还引入了金字塔算法构建图像重建框架,这是一种多尺度分析、多尺度重构的方法,金字塔的每一层都是在上一层结果上的一次扩展,每次扩展只有一个像素点扩展出一个3X3的图像块,避免了因一次扩展幅度过大造成的误差。本文所提出基于热学扩散模型和光学瑞利散射模型的超分辨率重建算法具有重构速度快的优势,相比基于神经网络的方法,无需训练和参数调整。为了充分发挥卷积神经网络的优势,论文还将卷积神经网络分别与热学扩散模型和光学瑞利散射模型相结合提出一种新的解决低分辨率光学图像的局限性的方法,此处的卷积神经网络实质上是用于图象增强,实现了上述的两个算法的进一步优化。论文针对图像的超分辨率图像重建技术的相关算法开展了研究,详细讨论了各种算法及其应用。将自适应可变因子应用于图像重建的热学扩散模型和光学瑞利散射模型,并提出了改进的算法,还对方法通过相应的仿真实验进行对比分析,验证了方法的优越性。