单幅图像的超分辨率重建可以看成是将一幅低分辨率图像利用合理模型或者有效算法重建出一幅高分辨率图像的过程。该技术可以突破图像采集设备的限制和外部条件的干扰,用软件分析的手段实现图像质量的提升,进而节约了图像采集成本,并且满足人们对高质量图像的渴望,在数字影像,社会安全,人脸识别,卫星图像和视频标准转换等各个方面都存在着重要的使用价值和发展空间。本文采用的基于学习的图像超分辨率方法是最近几年重构超分辨率图像的最有价值和最高效的方法。基于学习方法旨在于构造了一组低分辨率样本图像和相应的高分辨率样本图像,然后在低分辨率样本图像下对重构图像进行编码,最后通过编码系数恢复出高分辨率图像。该方法克服了图像之间关系模型描述不准确的不足,具备重建精准、对噪声鲁棒性强等长处。在基于学习的思路指导下,以字典学习的方法为主线实现了编码,进行了基于结构自相似字典学习、卷积神经网络学习、形变块特征提取等研究工作,主要研究工作如下:(1)研究了图像结构自相似特征。在整幅图像的各个区域范围里和不同区域范围之间都存在很多相似的结构特征,而这些相似性结构特征包含着很多有用的边缘或者纹理信息,在进行图像重建时有很大帮助作用。本文采用一种非局部块匹配的方法提取包含在图像中的相似性结构特征,通过在相同缩放比例和不同缩放比例下的匹配,将这些特征块组成具有结构自相似性的高/低分辨率图像块对,最后把这些图像块对构成训练样本字典。(2)提出了一种基于结构自相似性的卷积神经网络图像超分辨率算法。本文提出了一种将结构自相似性特征的卷积神经网络模型单图像超分辨率算法,充分利用图像自身信息的提取和解决了特征融入性能不够的问题。该方法首先结合带有尺度分解的非局部块匹配方法捕获具有结构相似性特征的图片自身样本作为训练样本,这样的训练样本防止了样本过于分散和训练样本不足的问题。然后,通过卷积神经网络的训练和学习模型将结构特征充分融入到重建的图像复原信息中,同时利用卷积网的强学习能力得到更多先验知识。紧接着,通过最优字典和学习得到的模型系数来重构图像。另外,通过迭代逆投影算法后期增强。(3)提出了一种基于结构化形变块特征的单张图像超分辨率。针对单幅图像超分辨率重建中字典稀疏性能不够和噪声鲁棒性能力不足的问题,本文提出了一种基于变形块特征的单幅图像超分辨算法。首先,该方法通过建立尺度金子塔模型去扩大搜索范围即可以提取出图像的相似性特征也可以增加样本量。然后,样本块的几何变形使有限内部字典的尺寸增大扩大了字典空间和字典重建能力,另外几何形变中仿射变换也更好的利用了图像的自相似性。最后,采用组稀疏学习可以利用聚类分组的方式增强字典的稀疏性能,另外组稀疏噪声的鲁棒性也有很好的提升。本文和现有的双三次插值算法、稀疏字典学习算法和深度卷积神经网络算法进行了对比实验。本文提出的两种方法重建出来的超分辨率图像都具有更加直观的人眼视觉效果,同时质量评价指标也得到很大程度的提升。另外,基于形变块特征的单张图像超分辨率方法在算法时间效率上做出了改进。