超分辨率重建技术就是综合利用多帧图像数据之间丰富的互补信息,从一系列质量较差、低分辨率(LR,Low Resolution)的图像来重建出一幅质量更好的高分辨率(HR,High Resolution)图像。在现有的硬件条件下弥补了原有图像空间分辨率的不足,突破现有图像获取手段的分辨率极限的限制,提高图像的空间分解力和清晰度。超分辨率重建技术的研究和应用,可以充分的挖掘现有影像数据的潜力,更好地为遥感侦察、目标识别与定位、视频增强与复原、医学图像处理等应用服务,在众多应用领域具有非常重要的应用前景。在视频监控领域,成像设备能够获得同一区域多次重复的视频影像,但由于受成像系统所限以及各种外部环境因素干扰,这些图像的分辨率往往局限在一定的水平上,影响了图像的视觉质量以及后续的处理。而与其他应用领域的超分辨率重建相比,监控视频由于其自身成像系统的一些独特性以及广泛的应用前景,使得针对监控视频图像的超分辨率重建技术的研究显得尤为关键。本文主要讨论监控视频图像序列的超分辨率重建问题。在传统的图像降质模型基础上,本文分析了超分辨率重建技术中的几大关键要素,并根据这些要素在最大后验概率超分辨率重建的算法框架上改进超分辨率重建方法。利用监控视频图像采样的特点,在超分辨率重建的数据预处理阶段,本文提出一种合格帧提取方法。综合考虑待参与重建的低分辨率图像的方差以及与参考图像配准后的均方误差指标,提取能对超分辨率重建做出贡献的合格帧,剔除那些发生严重退化且失去关键信息的不良帧,抵御重建初期就可能造成的外部影响,增加算法的稳定性,提高重建的质量。为了消除图像降质中模糊带来的影响,本文改进了一种基于边缘自适应的盲超分辨率重建算法。图像降质过程可以描述为运动补偿矩阵和模糊系数矩阵。运动补偿矩阵反映的是帧间的几何形变,模糊系数矩阵则反映的是光学模糊、噪声及亚采样等其他因素带来的影响。并根据图像的边缘信息自适应的改变重建的信任参数,达到更好的边缘保持的目的。针对监控视频特点的运动模型,本文提出一种基于背景分离的超分辨率重建方法。算法在观测模型中引入一个几何运动映射矩阵,将视频序列中的背景区及运动物体区分离出来,消除了运动区域附近的背景像素对运动参数估计带来不利的影响,从而得到更为精确的运动参数。不仅缩短了重建算法的时间,重建的图像的边缘保持效果也得到明显的改善。