超分辨率图像重建就是应用图像处理技术从一列低分辨图像重建出一幅高分辨率从图像。由于超分辨率重建技术可以在不改变现有成像系统的条件下，有效的克服成像系统内在的分辨率限制，同时能够极大的降低成本，因而在很多领域都有着极大的应用价值。例如:在视频监控系统中，有时需要对感兴趣目标的局部特征进行放大辨识，如汽车牌照或现场人脸等。　　虽然在过去的数十年中基于多帧图像的超分辨率重建算法已经被广泛的研究，但是超分辨率的复原真实世界的视频序列仍然是个挑战，在现有的系统当中，有的运动模型过于简单，有的影响因子如模糊内核、噪声等级都是估计的，这些模型很难适应场景和成像条件千变万化的情况。本课题是针对视频的图像超分辨率复原方法的研究，因而图像含有丰富的先验信息，如何利用好他们，找到合适的图像先验模型来复原出一幅高质量的高分辨率图像就是本课题的研究目的。　　高分辨率图像受到移动、模糊、降采样及噪声的影响，最终得到低分辨率图像。图像的超分辨率重建是建立在图像降质的数学模型基础上的，降质模型反映图像降质的因素，只有正确选择才能用数学方法进行处理，重建图像。在这其中，图像匹配即图像帧间的运动估计是图像超分辨率重建的关键，如果估计不准确将很难获得好的重建效果。　　在本文中，我们提出了一种基于感兴趣区域的视频超分辨率重建算法，针对视频中感兴趣的区域进行重建，以交通监控中的视频为实验对象，对车牌进行重建，首先通过相关算法对车牌的检测然后利用KLT算法进行特征点检测及跟踪，最后获得到感兴趣图像序列，这样能够大大的简化运动模型，减小重建的规模提高效率。在重建过程中利用光流场来进行运动估计，同时利用高斯随机场以及马尔可夫随机场来引入先验知识，最终采用基于最大后验概率估计的超分辨率重建算法来重建图像。