图像超分辨率是利用低分辨率图像重建得到高分辨率图像的一种技术。由于受成像设备、环境条件、传输通道限制,往往得到的是低分辨率图像。低分辨率图像不如高分辨率图像那样能够提供丰富的细节和色彩信息。高分辨率图像会在医疗诊断、视频监控、文本识别等计算机视觉和图像处理的任务中带来方便。为了摆脱硬件约束、成本昂贵等限制因素从而得到更清晰的图像,使用数字图像软件处理技术来提高图像的分辨率,对于当今社会显得尤为重要。本文采用回声状态网络,研究基于学习的图像超分辨率算法,主要工作如下:首先,提出一种基于回声状态网络的图像超分辨率算法。该方法分为训练阶段和重建阶段。训练阶段,先将训练样本图像进行分块处理,再提取图像块特征信息,这样将图像块和图像特征信息组合成向量矩阵输入到回声状态网络中,通过回声状态网络来建立高低分辨率图像块之间的映射模型。重建阶段,将测试图像输入网络中,利用训练阶段学习的映射模型,重建出高分辨率图像。实验结果表明,用所提方法获得的重建图像跟其它图像重建方法相比,图像质量明显提升。其次,针对基于回声状态网络的图像超分辨率算法重建的图像存在局部边缘模糊的现象,本文提出基于岭回归回声状态网络的图像超分辨率算法。使用岭回归学习算法解决了回声状态网络中的线性回归算法在训练时易出现求值解不稳定导致重建图像丢失细节信息、边缘模糊问题。实验结果表明基于岭回归回声状态网络方法得到的重建图像的质量有了进一步的提高。最后,提出基于L1正则化回声状态网络的图像超分辨率算法。该方法通过在回声状态网络中引入L1正则化项,以此来改进网络模型训练求解时的稳定性,与岭回归学习算法不同的是它还具备选择特征的能力,以此来简化网络的复杂程度,避免出现过拟合,进而来改进回声状态网络,加快了网络训练的速度。同时为了增强网络训练的约束,在基于采用局部约束条件的基础上,本文又引入全局重建约束条件。实验结果表明使用L1正则化学习算法,得到的图像清晰度比较高、细节信息比较丰富,图像的质量有很大的提高。