超分辨率图像复原技术作为数字图像处理领域内的一个十分重要的分支，近些年来已经被广泛的运用在视频安全监控、遥感图像处理、计算机视觉、医疗数字影像处理等各项领域。基于学习的超分辨率技术是近年来用途最丰富的图像恢复技术。该方法通过学习来获得高、低分辨率图像样例的相关性，以此来指导图像的恢复，以待复原图像作为依据，通过学习获得信息来对图像进行补充和优化。基于学习的算法的特点在于其对图像的重构准确，有较强的图像特征保持性，对图像噪声的鲁棒性强。在基于学习的框架之下，本课题以提升图像的视觉效果作为最终目标，对基于学习的超分辨率算法进行了较为深入的研究。主要内容有：首先，在基于学习的算法基础上，充分结合稀疏表示理论，利用K-SVD字典学习算法构建学习字典，在保证重构图像忠实性的前提下，缩减了冗余字典的规模，利用高、低分辨率之间的映射关系复原出高分辨率图像，不但可以使算法的复杂度有所下降，而且增强了字典的表达能力。然后，提出基于内容的字典学习的超分辨率复原方法。根据训练图像内容间的差异性，引入了聚类的概念，利用聚类的算法将一个较为完整且规模较大的训练字典分为不同的类别，并根据待复原图像的内容，有针对性的选择分类，进行图像复原，使算法更具有区分性和针对性，能够让图像具备更佳的自适应能力。相对于传统的超分辨率复原算法，该算法无论是在SSIM还是PNSR等客观测试数据以及主观视觉效果上都具有一定优势。最后，给出了基于内容的双字典学习的超分辨率重构算法。在将训练图像根据内容分类的基础上，将图像的高频信息划分为主要高频信息和冗余高频信息，对其分别训练字典，形成双重字典，对待复原图像利用基于学习的方法进行双层次的复原操作，使图像获得更加丰富的图像高频成分信息，复原的效果质量更好。实验结果表明，该算法捕获了更多的图像细节信息，比其他传统的一些超分辨率图像重构算法的重构效果更佳，充分体现在实验数据和实验的视觉效果图上。