图像超分辨率技术是近年来计算机视觉领域的研究热点之一，其可以有效地弥补硬件成像设备精度的不足，以较高的还原度呈现出真实场景。图像超分辨率技术在安防、遥感、医学和高清显示等领域有着广泛的应用场景和需求。
　　本文围绕提高图像超分辨率性能展开研究，并在基于学习的超分辨率方法上从提升学习字典训练效率和提高图像重建质量两个方面进行改进。本文首先针对传统字典训练效率低的问题，提出一种新的图像块相似性判断方法及结构不相似训练样本构造方法，该方法不仅极大地提升了字典训练效率，而且获得的学习字典具有强的表达能力，有效提高了图像重建的质量；其次针对全局字典表达多样化图像块能力有限的问题，提出一种新的基于高斯混合模型的多字典超分辨率方法，该方法不仅有着较高的效率，而且获得的学习字典具有强的局部自适应表达能力，有效地提高了图像重建的质量。本文的工作主要包括：
　　（1）学习并研究了超分辨率技术的相关概念和方法，主要包括超分辨率重建的概念、图像退化模型、几类经典的超分辨率重建方法。
　　（2）重点研究了基于稀疏表示的图像超分辨率重建算法。针对传统算法训练学习字典效率低的不足之处，利用图像块结构多样化特征提出了一种基于块编码的图像块相似性判断方法，使用该方法筛选结构不相似图像块构造去除大量冗余信息的小训练样本，进而获得结构不相似学习字典。实验结果表明，结构不相似学习字典训练效率高，且表达能力强，有效提高图像重建质量。
　　（3）考虑到全局字典表达千变万化的图像块能力有限，本文在利用块组学习非局部自相似先验信息的同时引入高斯混合模型训练多对局部学习字典，并基于多对局部学习字典实现图像的超分辨率重建。实验结果表明，基于多对局部学习字典是提高图像超分辨率重建质量的有效途径之一。
　　大量的实验结果表明，本文提出的图像块相似性判断方法可以有效地剔除冗余图像块以构建结构不相似样本集，提高字典训练效率；本文提出的多字典超分辨率重建方法可以有效提高超分辨率重建质量，重建出的高分辨率图像有着较为细致的纹理和清晰的边缘。