图像在获取过程中,由于成像设备工艺缺陷、成像距离、大气干扰、运动等因素的影响,导致图像降质,影响图像的使用价值。超分辨率技术基于现有的成像设备,通过软件后处理的方法提升图像的空间分辨率,获得了研究者的青睐。超分辨率技术利用低分辨率图像估计出高分辨率图像,可以恢复丢失的高频信息,从而提升图像的空间分辨率。该技术已被广泛应用于图像处理的各个领域,如用于病情诊断的医学图像、监控安全的视频监控和卫星图像等。本文分析了超分辨率技术的产生背景和研究意义,系统地总结和阐述了超分辨率技术的主要算法,并介绍了常用的图像质量评价方法。针对超分辨率重建问题的不适定性,重建过程需要加入先验知识对解进行约束,将不适定性问题转化为适定性问题。本文重点研究了以不同先验模型为约束项对重建图像的影响,主要研究工作如下:(1)针对以图像梯度L1范数为约束的先验模型在平坦区域去噪效果不佳,本文提出联合L1和L0先验模型。本文模型同时对边缘区域和平坦区域进行约束,既保留L1先验模型的保边性,又保留L0先验模型在平坦区域的去噪性。在重建过程中,选取联合估计法对图像进行配准,即在估计高分辨率图像的同时更新配准到此高分辨率图像的运动形变矩阵,降低因配准精度引起的误差;在最大后验估计法框架下,用混合先验模型来约束解,保证解的唯一性和稳定性;选取Majorization-Minimization(MM)算法和半二次分裂L0最小化方法分别对包含L1范数和包含L0范数的约束项进行近似求解,并根据图像梯度直方图分布改进半二次分裂L0最小化方法的迭代过程,使图像更符合稀疏性特点。在模拟图像序列上进行实验,从图像质量评价指标和视觉效果对比可看出,本文算法在保持边缘的同时,有效地抑制了平坦区域的噪声。(2)针对本文算法不能实现所有参数的自适应估计问题,本文从L0范数的定义出发,分析在半二次分裂L0最小化方法中引入的中间变量与L0范数参数的关系,给出此参数的自适应求解公式,实现所有参数的自适应估计。真实图像序列的实验结果表明,基于自适应参数估计的重建算法可以重建出更清晰的图像。