在数字图像应用领域,高分辨率意味着拥有更多的细节信息,可以更好的进行观察、识别。图像超分辨率重建技术是指由一幅低分辨率图像或同一场景多幅低分辨率图像重建出一幅高分辨率图像的技术。此项技术在安全监控、军事侦察、医学成像等多项领域有着广阔的应用前景。围绕单幅图像的超分辨率重建,本文系统深入地研究了基于迭代反向投影的和基于结构相似性学习的超分辨率重建技术,改进了已有的相关算法。本文的研究工作如下：1)给出了一种改进的迭代反投影算法。该算法提高了初始放大图像质量,增强了中间迭代结果的细节对比度,实验证明改进的算法具有很强的去噪性,且重建边缘更加清晰。2)提出了一种在多级下采样图像中搜索相似块并自适应加权的重建方法。基于学习的超分辨率重建算法重建结果不自然,且重建速度较慢,本文对学习到的高分辨率块进行修正并根据相邻块重叠部分的相似度对高分辨率块进行加权。采用随机块搜索方法对相似块进行查找提高查找速度,并通过降低相邻两尺度放缩倍数降低相似块查找范围,减少所需相似块个数。实验表明本文方法不仅提升了图像质量,还极大的提高了图像重建速度。3)给出了纹理嘈杂区域自适应分割算法。基于迭代反投影算法在放大倍数较高的情况下重建效果有限,基于学习的超分辨率重建算法对纹理特别复杂区域(如动物毛发,枝叶茂密的树冠)重建效果较差,出现较多伪边缘信息。本文对分割后图像的纹理嘈杂区域采用迭代反投影法放大,对非纹理嘈杂区域采用改进的多尺度相似结构学习的算法。实验结果验证了本文算法的可行性和优越性。