图像超分辨率重建方法是通过硬件或软件的方式,将高分辨率图像从一系列相关的低分辨率图像中恢复出来的过程。当前,在实现图像超分辨率重建的方法中,机器学习和深度学习是两个对图像重建质量较好的方法。因此,本文基于这两种方法对图像重建算法进行了研究。基于邻域嵌入的自学习图像超分辨率算法是一种基于机器学习的算法。提取图像深层特征的超分辨率重建网络是一种基于深度学习的算法。本文对图像超分辨率研究的主要内容有:（1）基于邻域嵌入的自学习图像超分辨率算法。基于机器学习的图像超分辨率重建方法中存在的问题是,如何精确描述高/低分辨率图像之间的映射关系。邻域嵌入算法已经为该问题提供了有效的解决方案。但在邻域嵌入中如何快速找到测试块合适的匹配块又是一个难点。针对这个问题,本文提出利用随机震荡+水平传播+垂直传播的策略,来实现图像的超分辨率重建。首先通过随机震荡为测试块匹配到最佳的匹配块;其次借助图像的相似性将最佳匹配块进行传播;最后在构建图像金字塔时,发现在图像金字塔垂直方向上,不同的图像层间存在结构相似性,于是在水平四向传播的同时加入了垂直传播。实验结果表明,本文方法与一些基于自学习的方法相比较重建结果更好,与基于外部学习的算法和最新的基于深度学习的算法相比,本文算法时间复杂度低,对设备的存储空间要求低,并且能够较好的恢复图像的细节信息。（2）一种提取图像深层特征的超分辨率重建网络。基于深度学习的图像重建方法面临的是如何解决训练样本不足导致网络易欠拟合的问题。为了解决这个问题,本文提出一种增强式特征提取的网络结构。首先在网络中设计增强单元和残差单元提取图像的深层特征,有效避免了图像信息的流失;其次将输入图像作为训练样本和测试样本,充分通过图像自身的相似性完成单幅图像的超分辨率重建。实验结果表明,提出的网络结构有效解决了训练样本不足带来网络易欠拟合的问题,获得了视觉效果较好的高分辨率图像。综上,本文利用机器学习和深度学习这两个工具,研究了基于邻域嵌入的自学习图像超分辨率算法和一种提取图像深层特征的超分辨率重建网络,通过这两种算法实现了图像的超分辨率重建。