随着图像处理应用的发展，人们对高分辨率图像的需求越来越大。高分辨率图像不但能给人们提供清晰的照片，它还能为许多应用分析提供非常重要的细节信息。由于当前成像系统获得图像的分辨率级别不能满足应用的需求，因此，人们迫切的需要一个途径来提高图像的分辨率。近几年来，超分辨率重构技术是一个研究热点。超分辨率图像重构技术从软件的角度来复原图像，能大大提高图像的分辨率和使用价值，而且更为重要的优点是无须增加额外的硬件设备，节省了大量费用。因此，从软件方面着手来提高图像分辨率有着极大的现实意义和应用价值。 本文针对上述背景，系统的论述了超分辨率重构的模型和模型参数，描述了重构过程和重构问题的病态性，讨论了正则化项的构造以及正则化参数的选取方法。在深入研究超分辨率相关的经典算法和最新理论研究成果基础上，重点对MAP和小波变换两类方法进行了较为深入的研究。首先对图像配准的理论知识进行概括介绍，给出四参数仿射变换的数学表达。详细讨论了Joint MAP算法，给出空域观测模型以及Joint MAP估计的迭代算法。讨论了实值离散小波变换和Q-shift二元树复小波变换的优缺点，介绍了小波域观测模型和图像重构算法的框架。通过两组实验，首先比较了MAP与小波域重构算法的效果，其次对两种小波的特点进行比较与分析。 本文针对小波域边缘保持算法存在的不足，提出了一种基于MAP和Q-shift二元树复小波的自适应重构改进算法。对低分辨率图像序列进行配准，作为重构的预处理过程。对图像进行Q-shift二元树复小波变换，将MAP框架引入复小波域，采用半二次正则化迭代方法进行重构，并构造了自适应正则化项。通过实验分析了图像配准的准确度，并比较了改进算法与传统算法的重构效果。从主观视觉和PSNR上可以看出，在不增加算法复杂度的情况下，该算法较好地改进了原有小波域的边缘保持算法，一定程度地提高重构结果的质量。该算法的理论研究为今后的继续学习和深入研究做了必要的技术准备。