由于硬件设备和环境等因素的限制,很多情况下,我们采集到的图像分辨率并不理想。如果通过改进硬件设备或改善图像的采集环境来提高图像的分辨率,代价可能比较高甚至是不现实的。所以通过用软件的方法来对图像的分辨率进行提高就成为一种实际可行的方法。超分辨率重建技术,就是利用数字图像处理的技术对单幅低分辨率图像,或者同一场景下的多幅低分辨率图像,进行高频细节信息的重建。该技术在视频监控、医学成像、卫星遥感等方面有着广阔的应用前景。本文围绕基于学习的单幅图像的超分辨率重建技术,对基于稀疏表示与字典学习的算法作了系统深入的研究,并提出了利用自相似性与字典邻域进行重建的算法。本文的主要内容有：首先对当前流行的超分辨率重建算法进行了概述,由于传统的基于插值和重建的方法的自身的局限性,很难有新的突破,因此我们重点对基于学习的超分辨率技术进行了研究,并对各个算法进行了比较,从而有助于后续算法的选择。其次对当前热门的稀疏表示理论进行了深入的探讨,从样本的选择,字典的训练,以及参数的调整进行了研究,其中对于稀疏参数的选择,字典原子的建立做了重点研究。最后在前文研究的基础上,提出了基于图像自相似性与字典邻域的超分辨率重建算法。该算法无需外部图像作为训练集,而是利用输入图像本身自身尺度,以及不同尺度下图像的自相似性构建一个图像金字塔,进而获得高低分辨率的图像集合。利用这个集合训练字典,并对每一个字典基元构造字典邻域,对输入图像的每一个图像块选择最相近的字典邻域,从而重建超分辨率图像。这样可以很好的解决图像的自适应问题。实验结果表明,无论在客观数据PSNR还是在人眼主观视觉方面,该算法的重建效果较以往算法均有所提高,同时对空间的要求也有所降低。