数字图像的分辨率表示图像系统所能分辨的最小目标尺寸,若同一场景的图像像素密度越高,则图像的分辨率就越高,所包含的细节信息就越丰富。在图像成像过程中,由于受到成像硬件、拍摄环境及拍摄误差等因素的限制,造成了原始场景中的细节信息丢失,采集到的图像的分辨率往往无法满足实际的应用需求。图像超分辨率是一种采用软件方式增加图像细节信息的方法,无需更新硬件即可提高图像的清晰度,在遥感与遥测、高清电视转换、医学图像处理及视频监控等领域有着广泛的应用,是图像处理技术研究的重点之一。本论文研究的重点是基于插值及学习的图像超分辨率方法。论文对超分辨率重建理论及方法进行了深入地分析与研究,阐述了径向基函数插值、梯度提升及卷积神经网络等相关理论基础,旨在将径向基函数及泛化能力强的学习算法应用到图像超分辨率重建中,在保护放大图像的边缘和纹理细节的同时引入高频信息,从而生成视觉效果较好的放大图像。论文针对不同的应用需求分别提出了三种不同的图像超分辨率算法:(1)基于局部区域自适应的图像插值方法;(2)基于梯度提升的图像超分辨率方法;(3)基于深度可分离卷积的图像超分辨率方法。最后,利用自然图像及磁共振图像对这三种算法的超分辨率重建能力进行了验证。本论文的主要内容有:1)提出了一个局部区域自适应的图像插值方法。该方法首先采用LPA-ICI算法搜索待插值点的最优形状邻域,然后利用径向基函数拟合待插值点像素值。论文进一步使用了引导图像滤波来增强插值图像的边缘及纹理细节,提升了图像的视觉效果。该方法具有算法简单、模型无需训练等优点,适用于无训练数据下的图像超分辨率应用。2)针对传统的基于学习的超分辨率算法的泛化能力较弱,重建图像的误差较大的问题,本论文将梯度提升引入到超分辨率重建中。首先,本论文将梯度提升框架扩充成多输出的形式,使用决策树作为弱学习器,采用序列方式训练决策树,以减小模型的偏差及方差;其次,使用了缩减(shrinkage)策略来提高模型的泛化能力,同时采用子抽样(subsampling)减少了训练样本数目,在加快训练速度的同时降低决策树之间的相关性;最后,在测试时将每棵决策树独立预测的结果进行线性加权,生成高分辨率图像。实验结果证实了本文算法比传统的基于学习的超分辨率算法更精确,重建图像的细节也更加清晰。该方法使用较小的训练集就能获得较高的超分辨率性能,训练速度也相对较快,因此适用于基于较小训练集的图像超分辨率应用。3)针对深度超分辨率算法存在的复杂度较高、难以训练及收敛速度慢等问题,本论文设计了一个基于深度可分离卷积的超分辨率模型。首先,模型中使用深度可分离卷积层替代常规卷积层,并去掉了归一化层,减少了网络的参数量;其次,该方法直接在低分辨率图像中提取特征,然后使用转置卷积将低分辨率特征映射到高分辨率特征空间,进一步降低模型的复杂度;并且,模型中使用了密集跳层连接和残差网络结构来提高其鲁棒性;最后,本论文设计了大量的实验来选择模型的超参数,包括模块的数目、模块内卷积层的数目等。实验数据表明本文的算法具有较强的泛化能力,重建图像的客观评价指标及视觉效果相比其它算法更优。该算法适用于基于较大训练集且对准确度要求较高的图像超分辨率的应用。