机器人视觉系统是模拟人眼的视觉系统,采集各种场景的图像信息,在实际应用上起着关键性的作用。由于机器人视觉系统在获取图像的过程中,受到环境噪声、光照和图像存储的影响,导致大部分图像的分辨率低,图像的质量较差。机器人视觉系统获取的低质量低分辨率图像已不能满足机器人图像应用的需求。机器人视觉系统采集的各种场景的低质量低分辨率图像的问题,已成为机器人视觉图像实际应用的瓶颈。通过对图像处理方法中的图像分割和重建的研究,针对机器人的实际应用,对机器人视觉系统的图像分割和重建进行了研究,并提出了相应的改进方法,提高图像的质量。在机器人低质量低分辨率的图像上,通过图像分割感知图像的区域,提取图像的结构化信息;然后使用超分辨率的算法,提升目标图像的分辨率。针对机器人系统获取图像受到噪声环境影响了图像分割的质量的问题,本文提出了一种基于低秩恢复的鲁棒性图像分割算法。该算法根据特定的方法对图像进行重叠分块,在图像块的基础上,使用低秩空间求解,得到特征图像。通过最小割/最大流的分割方法对特征图像进行分割,得到目标图像,即区域结构特征。在伯克利的数据集上的仿真实验结果表明:相比伯克利分割方法和基于图割的分割方法,该算法在对噪声的鲁棒性具有一定的优势,在主客观上均具有较好的分割效果,提高了图像分割质量。针对机器人视觉系统获取图像分辨率低的问题,本文提出了一种基于局部约束低秩表示的人脸超分辨率重建方法。该算法通过低秩表达将训练样本的字典原子按照字典的不同特征进行分类,使得选择的字典原子属于同一人脸样本的子空间;通过局部约束选择最近邻的字典原子。由于该算法的字典原子的选择机制,充分利用了样本的结构信息。在数据集的仿真实验结果表明,本方法在主观和客观上均优于基于稀疏表达的方法和基于局部约束的方法,证明了本方法的有效性。