图像的超分辨率(SR, Super Resolution)研究是指从一幅或多幅低分辨率图像(LR, Low Resolution)序列中重构出一幅同场景的高分辨率图像(HR,HighResolution)的过程。近些年,SR技术广泛应用于数字图像处理、模式识别、医学等领域,其具有重要的理论研究价值与广泛的应用领域,目前大多数研究者们都是基于字典学习的方法,来实现图像的重构过程。该类算法首先通过对大量图像样本的学习来构造字典,然后使用得到的字典重构出相应的HR图像。这类算法得到的实验效果不错,但其严重依赖于训练样本集,且运算速度较慢。再者,未考虑LR图像本身的结构信息,当超分倍数过大时,容易出现虚假信息。本文致力于研究基于冗余字典学习的超分辨率算法,目标在于提出有效的改进SR算法,重构出更加清晰、更加真实的HR图像,从而提高超分的性能。本文的主要工作有以下几点：(1)详细介绍了当前SR技术、字典学习算法、稀疏理论等的研究背景、研究意义。并且对字典学习算法、SR技术目前存在的问题以及未来发展方向等做了综述性分析；(2)改进K-SVD字典学习算法,得到一种新的算法R-KSVD,其以较快的速度得到性能更好的过完备字典。并提出仅基于LR图像本身,通过R-KSVD算法来学习字典的SR算法(即基于R-KSVD与示例学习的单帧图像的SR算法)。把这种算法与多种SR算法进行实验比较,从视觉效果和均方根差值两方面,都可以看出基于R-KSVD的SR算法具有更好的超分性能；(3)考虑低分辨率图像自身的结构信息,提出了一种新的SR算法,即基于拉普拉斯稀疏编码的图像的超分辨率算法(LSSR算法)；(4)改进了后向处理算法,利用双边滤波的保持并加强图像的边缘信息性能,减少图像的重构误差,使得到的高分辨率图像具有更详细的边缘信息。本文在大量的图像数据上进行了仿真实验,实验结果说明了本文所改进的算法取得了较好的超分性能。