图像超分辨率重建技术就是针对一帧或多帧关于同一场景的低分辨率图像,利用软件手段恢复出关于该场景的高分辨率图像。利用该技术,不仅可以提高对已有低分辨率图像及视频资源的利用率,而且可以减小高分辨率图像及视频的传播对于通信及存储设备造成的压力。该技术可以广泛应用于高清电视、卫星遥感、医学诊断等多个领域。在诸多的图像超分辨率重建算法中,自学习和正则化是两个性能良好的工具。本文针对这两种工具在图像超分辨率重建中的应用进行了研究。本文的主要研究工作有:1.一种基于卡通纹理分解的图像超分辨率方法。基于重建的方法往往对于图像的纹理信息不敏感。所以,这种算法重建的图像趋于平滑,导致整体图像较为模糊。然而,基于学习的方法可以很好的重建出图像的纹理信息。该算法有效结合了以上两种算法的优势。首先,将测试图像分解为卡通和纹理两部分。然后,将卡通图像和纹理图像分别采用改进的全变分正则化方法和改进的调整的锚点邻域回归图像超分辨算法方法进行重建。最后,将重建结果相加,输出最终的重建高分辨率图像。该算法不仅具有较好的去噪能力和较强的边缘保持能力,而且具有良好的适应性和鲁棒性。2.基于卷积主成分分析和随机匹配的自学习的图像超分辨率算法。该算法通过对特征提取和块匹配这两个过程的研究和改进,来解决自学习高时间复杂度问题。在特征提取阶段,该算法首先通过一种快速提取特征的方法构造图像金字塔的主成分分析特征金字塔和方差特征金字塔,并将构造的特征金字塔用于后序块匹配过程。在块匹配阶段,该算法采用一种二级随机振荡方法和四向传播方法来完成这一过程。该算法有效地降低了算法复杂度。