图像具有清晰明了和生动直观的特点，一直以来作为一种存储和交流视觉信息的方式。伴随着科技的进步和人类生活质量的不断提升，人们对图像在视觉上的要求也越来越高，而决定图像视觉好坏的因素是图像分辨率，它是图像细节表现能力的一种度量。在同一场景中，图像的分辨率越高，该场景中的细节信息表现的详细，直观看来图像越清晰，否则，图像因细节少而模糊不清。因此人们希望能直接获得分辨率较高的图像，但是需要通过硬件成像设备得到分辨率较高的图像，这对硬件设备的要求更加严格，增加了生产成本，为了解决此问题，超分辨率重建技术应运而生。图像超分辨率重建是指利用一帧或者多帧低分辨率图像重建出一帧或多帧高分辨率图像的数字图像处理技术。图像超分辨率重建过程是图像退化的逆过程，又因为重建结果的不唯一，所以说它是一个典型的病态问题。因此需要利用先验约束信息对此病态问题进行正则化处理，把病态问题转化为良性问题。从开始的全变分正则化算法，到后来的双边滤波全变分正则化算法，重建效果越来越好。由于图像在获取的过程中会受到目标场景或摄像机的运动、大气扰动以及传感器光学系统自身的影响，因而会造成图像模糊或噪声而使图像质量退化，图像分辨率较低。图像中主要存在的噪声类型有脉冲噪声(椒盐噪声)和高斯噪声(白噪声)。正则化算法函数中含有两项，第一项是保真项，此项是为了保证重建后的高分辨率图像与成像设备获取的原始序列低分辨率图像的接近程度，接近程度越高证明分析得到的降质因素越符合实际情况，有L1范式和L2范式之分，L1范式对拉普拉斯噪声模型可以很好地保持图像边缘细节，L2范式针对高斯噪声模型可以平滑图像；第二项是正则项，为了解决超分辨率重建的病态性，保证重建结果的唯一，此项中含有正则化参数，是为了平衡保真项和正则项。为同时滤除高斯噪声和脉冲噪声并重建得到高分辨率图像，本文提出一种使用L1和L2混合范式并结合双边全变分(Bilateral Total Variation，BTV)正则化算法对序列图像进行超分辨率重建。首先基于多分辨率策略的光流场模型对序列低分辨率图像进行配准，使其精度达到亚像素级；其次充分利用L1和L2混合范式的优点，用BTV正则化算法解决超分辨率重建的病态性反问题；最后使用提出的算法进行序列图像超分辨率重建。实验数据显示本文提出的算法可以降低图像的均方误差、提高峰值信噪比。实验结果表明，本文提出的算法能够有效的滤除高斯噪声和脉冲噪声，保持图像边缘，提高图像可辨识度，可为车牌识别、人脸识别和视频监控等方面提供了良好的技术基础。