传统的超分辨重建算法主要可分为频域法和空域法。近年来,基于学习的超分辨率重建算法成为了相关研究的热点。通过基于学习的方法得到高分辨率图像与低分辨率图像两者之间的关系,并以此关系来指导图像的重建过程。这样就可以通过学习获得重建图像所需要的先验知识,取代了人为定义先验知识的方式。基于稀疏表示和字典学习的超分辨率重建算法没有对图像进行分解,直接将整幅图像的信息都进行了学习重建。由低秩矩阵理论知,可将图像分解成低秩部分和稀疏部分。根据图像各部分信息的特征分别用不同的方法进行超分辨率重建,将能更加有效地利用图像的特征。据此本文提出了一种基于低秩矩阵和字典学习的超分辨率重建方法。本人独立完成了如下工作：方法首先通过对图像进行低秩分解得到图像的低秩部分和稀疏部分。由于图像的低秩部分保留了图像的大部分信息,算法只对图像的低秩部分通过字典学习的方法进行超分辨率重建,图像的稀疏部分则不参与学习重建,而是采用双三线性插值的方法进行重建。实验分析表明,图像的重建质量有所提升,同时减少了一定的重建时间,提升了算法的运行速度。与现有算法比较,在视觉效果、峰值信噪比、算法运行速度等方面均获得了更好的结果。