为了改善图像的分辨率和质量,图像超分辨率重建技术应运而生,这一技术既可以满足人们的视觉需求,也可以便于图像在诸多工程领域的后续应用。近年来,随着机器学习和人工智能等高新技术的发展,基于学习的方法在图像超分辨率重建领域得到了广泛的应用,其中基于稀疏表示理论的图像超分辨率重建技术依托于其完备的理论使重建图像取得了很好的效果,对进一步推动图像超分辨率重建技术在各领域的发展起到了重大的作用。与此同时,近年来,学者根据不同种类的图像的特征,将基于重建的方法和基于学习的方法相结合,取得了良好的效果,这类方法的诞生为超分辨率重建技术提供了很多新的思路。深度图像为一类能反映三维场景结构信息的二维图像,它联系了二维数据和三维场景,在目前的多媒体领域有着很大的应用,但其成像质量却受诸多因素的影响而无法较好满足用于需求,本文主要解决深度图像成像质量低的问题。本文主要工作和创新点如下:首先,提出了一种基于联合稀疏表示的深度图像超分辨率重建的方案。这种方案,考虑了深度图像本身的特性,将其结构信息作为先验信息对重建图像整体进行约束,并据此提出了多元的稀疏优化策略;在重建端采用最速下降法求解这一凸优化问题,最终重建出深度图像。这种方式能够较好地约束深度图像的结构,实验结果表明该方案具有有效性。其次,考虑了深度图像最终应用于三维场景的还原,将场景的彩色图像中与深度图像有关的信息加入先验信息,采用多重正则化的策略,建立场景低分辨率深度图像和彩色图像的关系,并将这一关系应用于重建过程,完成高分辨率深度图像的重建,为了进一步优化重建图像的效果,最后引入全局正则约束,有效地去除了图像的伪影,实验结果表明该方案具有有效性。