由于物理设备成本和各种成像环境等限制因素，人们获得的图像分辨率不高。然而很多应用领域普遍要求高分辨率图像。超分辨率方法就是利用图像处理的手段从同一场景下的一幅或多幅模糊、变形以及噪声污染的低分辨率图像来重建一帧高分辨率图像。超分辨率方法的目的是弥补硬件的不足，从软件的角度提高图像的空间分辨率。目前超分辨率技术广泛应用于医学成像、视频监控、卫星遥感、数字电视、图像压缩等领域。本文研究了多幅图像和单幅图像超分辨率方法。在多幅图像超分重建方面，研究了基于凸集投影和基于正则化的超分辨率方法；在单幅图像超分重建方面，研究了基于压缩感知的超分辨率方法。本文的创新与特色包括以下三个方面：1.针对凸集投影（POCS）算法进行超分辨率图像重建时的质量问题，提出了一种抑制边缘Halo效应的POCS方法。利用小波双三次插值法来获取POCS的初始值，改善由双线性插值造成的边缘模糊问题，提出具有边缘保持特性的点扩散函数，降低重建结果中的边缘Halo效应，采用可变长的松弛投影参数，利用低分辨率观测帧和参考帧之间的相关性确定该参数值，减小运动估计误差的影响。实验表明，本文的方法有效地降低了重建图像的Halo效应，明显地改善了重建图像的质量。2.针对正则化方法中噪声引入的重建误差问题，提出了基于噪声估计的自适应正则化方法。利用改进的块噪声估计方法，准确估计出每次迭代产生的高分辨率图像中存在的噪声能量，从而减小噪声影响带来的重建误差，通过噪声能量的约束条件自适应选取正则化参数，使得正则化参数随着噪声水平的变化进行自适应调整。实验表明，本文的方法有效减小了噪声引入的重建误差，保持了丰富的边缘信息，获得了质量较高的重建图像。3.针对压缩感知重建算法对已知稀疏度依赖的问题，提出了稀疏度自适应的子空间追踪（SP）方法。通过逐步递增候选原子的数量使稀疏度自适应变化，采用离散小波变换基作为稀疏字典来获取高分辨率图像的稀疏表示，利用高斯随机矩阵实现到低维空间的映射，获得低分辨率观测图像。实验表明，本文的方法很大程度上提高了超分辨率重建速度，有效改善了重建高分辨率图像的质量。