图像的超分辨率重建技术是通过对单幅或多幅低分辨率图像的处理,来获得一幅高分辨率图像。利用图像超分辨率重建技术可以在不改变成像系统的前提下,实现提高图像空间分辨率的目的,不但可以改善图像的视觉效果,而且对图像的后续处理(如特征提取、目标识别等)具有十分重要的意义。本文对基于学习的图像超分辨率重建技术进行了研究。基于学习的超分辨率重建技术通过利用训练集中的低分辨率(LR, Low Resolution)图像及与其对应的高分辨率(HR, High Resolution)图像之间的关系来估计输入LR图像丢失的高频细节,该技术可以实现单幅图像的重建,但是现有方法的重建速度很慢,重建结果存在模糊边缘,本文针对以上问题,对原基于学习的重建方法进行了改进。本文提出对图像进行基于L2范数的总变分分解,将待处理的图像分解成结构部分和纹理部分,其中结构部分描述图像的几何特征,是图像的结构框架,纹理部分代表图像信号的震荡部分,包含图像的高频信息。LR图像和对应HR图像主要差别体现在高频信息部分,即体现在纹理部分。因此,本文提出将图像的纹理部分进行学习重建,将结构部分和颜色信息只进行插值放大,最后,将重建结果和插值放大的结果合并,构成最终的重建结果。本文客观地评价了改进方法的重建效果,通过对仿真实验结果的客观评价、分析可知,本文方法改善了图像的重建效果,提高了重建的速度。另外,本文将改进的方法应用到了车牌图像的超分辨率重建中,对车牌图像进行重建,在很大程度上改善了车牌图像的重建效果,降低了车牌图像的分割、识别等处理的难度。