社会的快速发展,人们对于图像的质量要求越来越高,航天遥感技术和人们的生活也越来越紧密。遥感图像在图像的成像,传输,还有处理的方面都会存在各种因素导致图像降质,从而得到的图像分辨率会下降。为了获取含有更多高清细节信息的高分辨遥感图像,图像超分辨重建技术的出现改变了这一现状,它不会改变成像系统设备,相应的只是对图像进行处理,从而提高图像的分辨率。另外压缩感知理论根据信号的稀疏性,可以准确的重构原始信号,对于获取高分辨图像有极大的帮助。本文从压缩感知理论的角度出发,结合传统学习和深度学习两方面分别深入研究遥感图像超分辨重建问题,本文的主要研究成果如下:(1)在图像超分辨中,良好的图像先验信息对图像重建至关重要,非局部相似性和稀疏性是获取图像先验比较好的两种方法。在本文中,利用这些先验知识,提出了一种基于非局部框架下的图像块的稀疏化以及低秩表示,来进行图像超分辨重建。该框架主要包括两步。第一步,在一组匹配的图像块中去除噪声的过程,将其表述为从噪声数据中恢复低秩矩阵,这个问题是基于随机矩阵理论下的渐近矩阵来重构模型,从而得到无参数的最优估计,第二步采用非局部学习稀疏表示,以抑制估计中引入的伪影,同时用非局部稀疏模型构建稀疏超完备字典,进行图像重建,实验表明重建后的图像能够得到更好的图像纹理细节信息,有效抑制噪声。(2)提出将马尔科夫随机场运用到图像超分辨率重建当中,在训练阶段利用训练集图像构建数据库,把数据库中的低分辨图像块和高分辨图像块对用马尔科夫网络模拟。同时把图像进行分解,分解成结构部分和纹理部分,因为低分辨和高分辨图像主要差异在于高频信息部分,即纹理部分。对图像的纹理部分进行字典学习,采用双三次插值法放大图像的颜色信息和图像的结构部分,将重建的图像和双三次插值得到的图像合并,得到最终结果,通过实验证明,图像重建质量在主观视觉效果和客观指标均取得较好的结果。(3)基于分块压缩是轻量级压缩方法,主要适用于处理高维的图像和视频,在局部块上运行,采用低复杂度重构算子,需要较少的存储器来存储感知矩阵。本文提出了一种基于分块的深度学习算法来进行图像超分辨重建,该算法利用全连接网络进行分块的线性感知和非线性重构,在训练阶段,联合优化感知矩阵以及非线性重建算子,在重建的图像质量和计算时间有一定的优势。