随着互联网的普及和信息技术的发展,各种多媒体业务不断涌现,人们对图像和视频技术的要求越来越高。然而受到成像条件和成像方式的限制,许多成像系统难以获得人们期望的高分辨图像,这给后续的图像处理、分析与理解工作带来了诸多困难,影响了人们对客观世界及其规律的正确认识。通过提高成像系统硬件性能来获取高分辨率图像的方法,往往成本较高,且难于实现。因此有必要考虑一种能够克服采集设备物理条件限制来提高图像分辨率的新方法。超分辨率重建技术就在这样的背景下应运而生。该技术能够利用信号处理的手段重建成像系统截止频率之外的信息,从而可以在不改变硬件设备的前提下,获得高于成像系统分辨率的图像。因此该项技术一经提出,便受到了国内外学者的普遍关注。目前,在数字娱乐、遥感、医疗以及公安等领域展现出了广泛的应用前景。本论文在总结现有超分辨率技术的相关理论和经典算法的基础上,针对超分辨技术在实际应用中面临的诸多问题,如运动估计不准问题、重建过程对模型偏差过于敏感问题、序列信息破缺问题,样本多义性问题等,进行了深入研究,提出了相应的解决方案。本论文的主要研究成果可概括如下：(1)针对现有超分辨算法运动估计不准的问题,提出了一种基于非局部正则化和可靠运动估计的序列超分辨方法。在运动估计阶段,引入了一个多边约束滤波器,该滤波器能够利用可靠的运动估计信息来对不可靠的运动估计进行纠正,从而为重建阶段提供了更为可靠的运动估计信息。在重建阶段,进一步利用图像自身的非局部相似性来构造图像先验知识,与基于梯度统计的先验相比,非局部先验不但能够有效减少重建结果中的视觉干扰现象,还能够进一步降低配准误差对重建结果的影响。在后处理阶段,提出了一种从图像中的强边缘区域获取有效信息进行模糊核估计的去模糊方法。这些方法的综合运用,有效地改善了序列超分辨的重建质量。(2)传统超分辨方法在理论环境下通常可以取得理想的结果,但在实际应用中这些方法往往表现得不够鲁棒,即一旦实际情况与算法所依据的模型假设存在一定程度的偏差,则可能会导致算法最终无法获得令人满意的结果。针对传统序列超分辨算法对模型假设与实际情况的偏差过于敏感的问题,提出了一种自适应鲁棒超分辨方法,该方法分别从配准和重建两个方面对传统算法的鲁棒性进行了提升。在配准阶段,通过引入概率运动场减小了算法对配准精度的敏感性,同时利用Heaviside函数实现权重映射,进一步提高了算法的自适应性。在重建阶段,采用基于Huber范数的正则化估计,在提高重建鲁棒性的同时也保证了算法数值解的稳定性。(3)传统序列超分辨方法对低分辨序列要求较高,一旦序列中相关性较强的信息遭到破坏,则会造成重建质量的下降。针对这一问题,提出了一种融合单帧图像复原技术的多帧超分辨算法。该方法首先利用多帧低分辨率图像中所蕴含的信息对高分辨率图像进行重建,然后对于那些由于序列中信息缺失而无法有效重建的区域,则利用基于稀疏编码模型的单帧图像复原技术从外部样本库中获取信息,对其进行补全重建。该方法结合了单帧与多帧方法的优点,不但可以利用序列本身相关性较强的信息对高分辨率图像进行重建,还可以在序列信息有破缺时利用外部样本库中的信息来对破缺信息进行修补。因此,能够有效解决序列信息有破缺时的超分辨重建问题。(4)针对单幅图像超分辨中的高分辨与低分辨样本间的多义性问题,提出了一种综合重建框架,该框架融合了边缘与细节重建。在边缘重建阶段,提出了一种利用“去噪”稀疏编码模型来构造图像主要结构先验的方法。该方法在先验字典学习阶段,去除了受多义性影响严重的噪声样本,保证了先验模型的准确性,提高了边缘重建质量。在细节重建阶段,利用样本局部情景信息来解决示例样本多义性问题,使用情景信息可以有效地确定可由示例样本重建的区域,从而减少了同时重建所有区域时对算法带来的不确定影响,提高了细节重建的质量。