随着计算机网络技术的应用和多媒体技术的发展,图像信息在人们的工作、学习和生活中发挥越来越重要的作用。改善图像质量,提高图像分辨率成为数字图像处理领域最重要、最基本的研究课题之一,具有重要的理论价值和实际意义。目前,传统的图像超分辨率领域的研究重点是空域算法。但各种空域算法的缺陷和不足使得算法效果极大程度地受到解空间约束条件和降质退化模型的约束。本文在对现有传统算法进行分析的基础上,把研究的重点放在了基于学习的单帧图像超分辨率算法上,通过研究新的算法,提高图像超分辨率能力,加快运算的质量和速度。本论文主要在以下一些方面展开了工作。首先分析了多种传统的基于插值的图像超分辨算法,对它们的优势及不足进行了比较。结果表明,正是由于传统算法存在诸多局限,才使得基于学习的超分辨率算法的研究变得十分必要和重要。然后对几种维数约减算法进行了理论分析,分析指出,局部线性嵌套理论——LLE(Locally Linear Embedding)是基于学习的单帧图像超分辨率算法的理论核心,它的提出为实现基于学习的超分辨率算法提供了坚实理论基础。重点研究了基于学习的单帧图像超分辨率技术,利用马尔可夫网络来学习图像的先验知识,实现了一个高速、迭代的算法——one-pass算法,取得了较理想的实验结果。接着对影响基于学习算法的超分辨率能力的若干因素进行了分析和实验验证,重点分析了训练集图像数量、K阶近邻点个数等因素对超分辨率能力的影响,为改善现有算法的性能奠定了理论和实验基础。最后,为了从客观上验证超分辨率算法的有效性以及改进工作的成效,引入图像超分辨率的质量评价方法,在Visual C++ 6.0上进行了仿真实验。本文的成果丰富了图像超分辨率算法的研究思路,为图像超分辨率问题的解决提供了有益的方法和手段,具有一定的理论意义和应用价值。