单帧图像的超分辨率重建是以单幅低分辨率图像作为输入,重建出指定放大倍数的高分辨率图像。单帧图像的超分辨率重建算法大致可分为基于插值、基于重建和基于实例学习的三类算法。其中,基于实例学习的算法相比较基于插值和基于重建的算法具有更好的性能。本文以提高单帧图像超分辨率重建的主观视觉效果和客观评价指标为目的,深入研究基于编码和基于回归的实例学习算法,总结出基于实例映射学习的单帧图像超分辨率重建算法框架。该算法框架将学习映射与学习公共特征空间结合起来,提升了算法对复杂非线性映射与高维统计数据进行建模的准确性。本文在此基础上提出了两种单帧图像的超分辨率重建算法。考虑到基于编码的实例学习算法通常在训练阶段联合训练低分辨率和高分辨率字典,在合成阶段仅可获得低分辨率特征的条件下并不能确保低分辨率特征与对应的高分辨率特征在各自的字典上具有相同的编码系数。针对这一问题,本文提出基于稀疏域选取的单帧图像超分辨率重建算法,认为低分辨率特征与对应的高分辨率特征在各自的字典上的稀疏编码系数具有确定的映射关系,结合高分辨率特征的稀疏表示误差和稀疏域映射误差建立优化目标式,通过二次约束二次规划、稀疏编码和岭回归算法交替优化求解高分辨率字典、高分辨率稀疏编码系数和稀疏域映射。该算法提升了对低分辨率特征到高分辨率特征的复杂非线性映射关系进行建模的准确性,从而抑制了重建图像的虚假轮廓,增强了图像的重建效果。考虑到基于回归的实例学习算法通常在训练阶段仅依据低分辨率特征将数据空间通过聚类分析分割成若干线性子空间以提高对高分辨率特征估计的准确性。然而在各个线性子空间学习得到的回归模型因缺少低、高分辨率特征的对应信息而不能确保映射的有效性。针对这一问题,本文提出基于对偶子空间投影的单帧图像超分辨率重建算法。结合输入的低分辨率特征与低、高分辨率特征之间的映射关系,以互相关强度最大化为原则构建投影树,并使用该投影树将低、高分辨率特征分割成若干对偶线性子空间,在各个对偶线性子空间构建锚点邻域学习回归模型。该算法不仅增强了对复杂高维统计数据建模的能力,而且提升了低分辨率特征到高分辨率特征映射的准确性,从而使得重建图像具有更丰富的纹理细节,提高了超分辨率重建图像的主客观评价指标。