随着图像技术的应用和网络数据的飞速增长,人们迫切需要获取具有高分辨率的图像数据。由于各种退化因素(如光学模糊、下采样和噪声)的影响,实际采集到图像的空间分辨率往往不高。在不改变现有感光技术和图像采集设备的前提下,图像超分辨率重建技术是一种有效提高图像空间分辨率的有力手段,在视频监控、医学成像、遥感监视,以及数字电视信号切换等领域,具有巨大的经济价值和广泛的应用前景,已成为图像处理领域中的一个研究热点。针对图像超分辨率重建技术面临的关键性问题,本文在广义图像先验思想的指导下,主要从非线性映射关系的估计、训练样本的划分、特征子空间的构造、正则项的设计,以及非局部均值先验等方面,对单帧图像超分辨率重建算法进行了深入的研究,主要的研究成果有：(1)提出了一种基于加权Boosting的超分辨率算法。针对每个待重建图像块,在核偏最小二乘回归估计过程中,引入加权Boosting补偿方案,自适应地计算出最佳成分矩阵,估计出目标高分辨率图像块的高频细节,一定程度上解决了传统的核偏最小二乘算法对所有图像块选用相同数目的主元成分导致计算量大问题,而且在重构图像质量上也有所改善。(2)针对从大训练数据集里选取近邻块的速度不高问题,提出了一种基于聚类和加权Boosting的超分辨率算法。首先计算出低分辨率图像块的纹理特征向量,利用K-means聚类算法将大训练数据集划分成K个不同的训练子集,对于每个待重建图像块,在对应的训练子集里寻找与之相似的近邻块；然后使用加权Boosting回归模型来学习低分辨率和高分辨率图像块间的非线性映射关系,估计出重构图像中的高频细节,该算法具有较高的时间效率和较好的重建效果。(3)针对低分辨率图像块的梯度特征向量在邻域嵌入关系中的匹配精度不高问题,提出了一种基于子空间投影和邻域嵌入的超分辨率算法。先将低分辨率图像块的高维梯度特征向量投影到核主元成分分析(Kernel Principal Component Analysis, KPCA)特征子空间上,然后将KPCA特征向量投影到基于核距离的局部保留投影(Modified Locality Preserving Projection, MLPP)特征子空间上,在MLPP特征子空间上选取近邻块,提高了待重建图像块与近邻块间的匹配精度。通过梯度特征向量间的相似度和比例因子计算出用于邻域嵌入的重构权值,与相应的训练高分辨率图像块一起近似表示出目标高分辨率图像块,有效地提高了超分辨率重建图像的质量。(4)考虑到自然图像边缘的多方向性,以及边缘在其主方向上的组稀疏性,提出了一种基于方向稀疏和方向特征的超分辨率算法。先利用多尺度多方向的Curvelet变换提取图像的Curvelet系数,将这些系数划分成16个不同的集合,然后利用Curvelet逆变换对每个方向集合进行重构,得到对应的方向特征图像,构造出一个组合总变分正则项,有效保留边缘的全局和局部几何结构。利用低分辨率图像块中的亮度信息和方向特征信息,估计相似权值,构造出方向非局部均值正则项,该算法在保持清晰的图像边缘和恢复丰富的纹理细节方面取到了较好的结果。(5)现有的非局部均值方法在近邻块的选取上很大程度依赖于搜索区域的选择,需要大量的经验研究时间。为此,提出了一种基于超像素分割和非局部均值的超分辨率算法,有效提高现有图像超分辨率算法的性能。该方法先利用超像素分割技术将图像划分成很多个形状不规则的区域,根据目标像素点的一个小邻域内超像素分割标签索引号,自适应地选择一个或多个超像素作为其搜索区域,并在该区域内进行近邻块的选取,获得较高的匹配精度,构造非局部均值正则项。在不需要对搜索窗宽度的经验研究情况下,提出的方法可以快速地寻找到更为匹配的近邻块,而且能进一步提高重构图像的质量。综上所述,本文是在图像处理、机器学习和模式识别的基础上,对低高分辨率图像块间的非线性映射关系、近邻块的匹配精度和选取速度,以及图像边缘的方向特征结构这三方面进行了深入研究,提出了五种有效的单帧图像超分辨率重建算法,取得了比现有方法较好的重建效果,为解决图像超分辨率技术的关键问题提供了新的手段。