在图像超分辨重建领域中，基于样例学习的重建方法成为近年来非常流行的一种方法。这类重建方法的重建结果在一定程度上依赖于选择的样本图像，并且该类方法没有充分利用待超低分辨率图像自身的先验知识，重建出的图像往往不够自然，会产生伪像与失真现象。针对以上问题，本文通过深入挖掘待超低分辨率图像自身的先验信息，以进一步提高重建图像的质量。本文包含的主要工作为：(1)提出一种基于成对字典学习和双边正则的图像超分辨重建算法，将待超低分辨图像提供的内在先验信息和已知的高分辨样本库提供的外来先验信息都加以利用，利用这两部分不同的信息构建两类字典——内字典和外字典，然后利用这两类字典对待超图像块的不同成分进行重建，更加有针对性的利用两部分的先验，有效补充图像在降质过程中丢失的信息。此外在重建过程中引入了双边正则约束项，将像素点的灰度信息以及二维空间坐标信息统一考虑，更加准确地描述相似像素点之间的相似程度，更好的保持图像的纹理、边缘等信息，提高了算法的鲁棒性。(2)提出一种基于非局部字典学习和先验正则的图像超分辨重建算法，利用非局部技术从待超低分辨率图像中学习成对字典——残差字典和期望字典，然后联合利用非局部正则技术和局部核回归正则技术，有效地利用待超低分辨率图像自身在局部和非局部上的结构性来提升重建图像的分辨率。该算法深入挖掘了待超低分辨率图像自身的先验信息，排除传统的重建方法引入虚假信息的缺陷，重建过程更加具有针对性和高效性，另外，在重建过程中引入的双正则项，加强了图像像素之间的联系，重建后的图像更加自然，更加接近原始高分辨率图像。(3)提出一种基于全变差(Total variation，TV)特征提取的加权平均的图像超分辨重建算法，利用TV方法对待超低分辨率图像进行分层处理，有针对性的对结构部分和纹理部分提取不同的特征。该重建算法通过提取图像不同图层上的特征，使图像块的聚类过程更加的精确，每类重建的字典更能代表对应类别的样本信息，另外引入加权平均的处理方法，可以联合应用图像在不同邻域范围内的先验信息，加强了像素间的结构特性，提高了重建图像的质量。