在许多应用场合，人们总是需要一些高质量的图像，但由于受到诸多因素的限制，如：成像系统、外界环境、成像技术等，使得获得图像的实际效果并不理想，这与人们的需求是矛盾的。考虑到硬件改善的局限性及经济效益，人们开始从软件着手，研究如何提升低质量图像的空间分辨率，从而得到高质量的图像，超分辨率重建技术正是在这种背景下产生的。　　 超分辨率重建是指利用信号处理技术，从现有成像系统条件下产生的一系列低分辨率图像中恢复出高分辨率图像的技术。超分辨率重建算法主要分为两大类：频域算法和空间域算法。频域算法产生较早，但受限于全局位移的运动模型；空间域算法则具有更好的适应性，因此得到更好的发展。超分辨率重建算法的研究也主要集中在对空间域算法的拓展和改进，其中，基于概率论的最大后验概率(MAP)算法和基于集合论的凸集投影(POCS)算法是研究的热点。　　 本文的研究重点是POCS算法。首先，建立观察模型，在详细介绍传统POCS重建算法原理及实现过程的基础上，认真分析了该算法存在的问题并提出改进。考虑到POCS重建算法对初始参考图像的依赖性，在实验分析模糊和噪声对重建结果影响的基础上，将去模糊研究作为重点，文中提出通过引入APEX盲恢复技术对双线性插值的初始图像进行处理，以此改善初始图像的清晰度，从而提高重建图像的质量；其次，针对残差修复过程中修复阈值固定选取可能带来的过修复或欠修复，利用低分辨率图像之间及内部各图像区域间存在的清晰度不同这一先验条件，提出一种基于平均梯度加权的残差计算方式及阈值选取方式，使得修复更具针对性，更好地恢复图像的细节信息；最后，针对POCS重建过程中，常用约束凸集并不能很好地定位最优解的问题，在深入分析重建过程中图像能量的变化情况后，引入一种更为严格的基于能量的约束凸集一残差能量增量非递增约束凸集，以此作为迭代终止的条件，从而在一定条件下定位到最优解。仿真实验结果证明，改进POCS重建算法与原算法相比，由于降低或克服了存在问题的限制，因此重建图像的质量有了明显的提高，直观上更加清晰，进行客观评价时，峰值信噪比(PSNR)、空间频率(SF)、结构相似度(SSIM)均有一定程度的提高。