图像超分辨重建是利用同一场景中的一幅或一组低分辨率图像，结合一定的先验或约束，重建一幅高分辨率图像的技术。该技术在不改变现有硬件设备的前提下，有效的恢复图像的细节，并对许多的图像后续处理具有重要的影响。最近提出的压缩感知理论指出，对于稀疏或可压缩的信号，可用远小于奈奎斯特采样率的频率采样，并能从少量的采样值通过优化恢复原始信号。该理论在信号处理领域引起了广泛的兴趣，为信号采集、图像压缩等传统信号处理问题提供了新的思路和方法。　　文章首先简要介绍了压缩感知的相关理论和算法并提出了一种新颖的压缩感知框架。接着借助压缩感知理论，研究了图像高效稀疏表示的方法，有效利用图像的先验知识，探索高效单幅图像超分辨方法。文章主要做了三个方面的工作：　　1.提出了基于交叠块的多尺度压缩感知框架。通过结合前后向滤波和基于块采样的策略，所提的框架能实现编码端结构简单，解码端能快速精确的初始解码。数据试验表明所提的算法对大量的应用具有良好的性能和较快的处理速度。　　2.提出了基于残差图像稀疏先验的非局部图像超分辨，这一算法仅需用低分辨图像和生成模型。所提的算法不是直接恢复高分辨图像，而是一个涉及插值的迭代修正过程。在低分辨图像经过插值后，高分辨残差图像可根据其稀疏分布的先验用?1范数凸规划获取。然后用非局部块的重构过程更新整个图像。迭代重复上述两个步骤实现图像的超分辨。实验表明所提的方法对普遍图像能够保持整体结构的同时高质量的恢复细节。　　3.提出了自适应稀疏模型学习的方法，将自适应稀疏域和图像块冗余性结合到一个框架中。这一方法同时利用了图像的局部块、非局部块以及整体高频特征的稀疏性。实验表明所提方法能够高质量的恢复图像边缘，并且在不受额外外部信息的限制前提下引入合适高频细节。