随着网络、通信和数字技术的发展,能够提供更多细节信息的高分辨率图像逐渐成为人们的广泛需求。图像超分辨率重建的目的是利用一幅或者多幅低分辨率图像来获得一幅清晰的高分辨率图像,由于其成本低廉,而且使得现有低分辨率成像系统仍可被利用,因此一直是一个比较热门的研究课题。本文在总结以往基于插值、基于重建和基于学习的超分辨率重建算法特点的基础上,重点介绍了自学习的超分辨率重建算法,并在局部自学习超分辨率重建算法的基础上,围绕如何改善其重建效果展开研究,提出了纹理约束的局部自回归学习超分辨率重建算法。针对局部自学习超分辨率重建算法在重建高频细节特征上的不足,本文首先建立了基于学习的超分辨率重建算法的数学模型,通过求得低频图像块与高频图像块之间映射关系的泰勒一阶估计来提高重建的准确性。为此利用输入图像的局部缩放不变性并通过回归学习得到一阶估计的准确表达,然后利用得到的一阶估计对高分辨率图像进行重建。在搜索用于学习的相似图像块时,为了能够得到纹理相似的图像块,本文构建了48个不同的滤波器并采用纹理上下文来表达图像块的纹理特征,通过纹理约束搜索来得到最终用于学习的相似图像块。最后为了保证重建图像与原图像的一致性以及重建图像边缘锐利的特性,利用相应的先验知识对重建图像做进一步优化。仿真实验表明,算法可以重建出合理的高频细节特征,从而使得重建后的高分辨率图像看起来更真实、自然。