随着电子产品性能的提高,用户对数字图像的质量也提出了越来越高的要求。分辨率是衡量数字图像质量的一个重要指标。提高数字图像分辨率的最直接方法就是改良图像采集设备的硬件,但硬件的改良往往受到现有工艺水平和高昂造价的限制。由此,通过软件来提高数字图像分辨率的超分辨技术得到了越来越多的关注。本文研究了一种基于BP神经网络的超分辨复原方法,通过对训练数据采集、神经网络设计、相似块匹配、遗传算法优化等关键技术的探索,最终采用基于局部相似性和运动估计的方法作为低分辨率图像中相似块的获取方法,采用双极性logistic函数作为神经网络隐含层和输出层的传输函数,采用自适应学习率动量梯度下降法作为神经网络的学习算法,采用遗传算法优化神经网络权值来进一步提升性能,采用中值滤波减轻结果图像中的锯齿和不平滑现象。通过实验证明,本文得出的超分辨复原方法在合理的运算量下取得了较好的超分辨复原效果。本文的主要工作有:①使用了一种基于局部相似性和运动估计的图像相似块获取方法,在减少运算时间的同时,提高了神经网络训练、预测所需输入数据的质量,提高了算法性能。②探索了BP神经网络各层的传输函数对超分辨复原性能的影响,通过实验最终得出了性能较优秀的传输函数组合。③探索了不同的神经网络学习算法在本文场景中的性能,通过实验对比寻找到一种比较适合本文应用情形的神经网络学习算法。④探讨了两种图像分类方法在本文情形中用于提高超分辨复原效果的可行性,得到了初步的结论。⑤使用遗传算法对神经网络的初始权值进行优化,提高了神经网络进行超分辨复原的性能。通过以上的工作,本文得到了一种使用BP神经网络进行超分辨复原的方案,在比较合理的运算量下得到了较好的超分辨效果。本文是对基于神经网络超分辨技术的一次探索和尝试,其算法和相关结论对其他研究者具有一定的参考价值和实用意义。