图像的超分辨率重建，是目前图像处理领域中的一个难点和热点问题。它在不改变硬件条件的前提下，对输入的一幅或多幅图像，通过一定的信号处理技术来提高其分辨率。由此产生的高分辨率图像，不仅实现了图像视觉质量的改善，而且有利于图像的进一步处理和利用。目前基于样本学习的方法是解决该课题的比较有效的方法。随着机器学习等相关领域理论的不断发展，一些新的研究成果逐步被用来解决图像的超分辨率重建问题，其中高斯过程回归和稀疏表示作为两种性能较好的机器学习方法，受到该课题研究学者越来越多的关注。　　 本文算法基于样本学习的思想框架，通过研究高斯过程回归和稀疏表示这两种学习方法的相关理论，提出了一种高斯过程回归重建的改进算法以及实现了高斯过程回归和稀疏表示方法之间有效地结合。　　 已有的一种使用高斯过程回归进行超分辨率重建的算法，仅利用图像自身的冗余信息来进行重建，虽然能在一定程度上改善重建质量，但是重建效果还有待提高。针对这个问题，本文提出一种基于聚类和高斯过程回归的算法来进行改进。通过使用外部样本库并对样本库中的数据进行聚类，得到相应的训练集，然后利用不同类的训练数据和测试数据建立相应的高斯过程回归模型，最后将所有类的处理结果进行融合得到最终的高分辨率图像。通过实验仿真验证了该算法具有一定的改进效果。　　 此外，在高斯过程回归重建中需要提供一个高分辨率图像的初始估计，而该初始估计的不同选取方式将对重建结果产生一定的影响。针对这一点，本文提出了一种基于高斯过程回归和稀疏表示的重建算法，将通过稀疏表示得到的结果作为该初始估计，通过相关实验验证了该算法的有效性。