图像超分辨率重建的目的是从一个低分辨率图像序列中提取一幅高分辨率图像。超分辨率图像通常是指滤除成像系统噪声(包括离焦模糊、运动模糊、欠采样等因素)和恢复成像光学系统所丢失的高频信息以后获得的清晰图像。虽然,经典的插值方法(例如双线性插值、三次样条插值)得到了广泛的研究和应用,但由于图像的边缘区域和不连续区域变得模糊,使得最终得到的图像变得模糊。这一重建过程一直是图像处理邻域的研究难点。因此,在保证图像超分辨率重建效果和收敛速度不降低的前提下,研究如何确立图像模型,减少计算量,对于图像重建具有重要的意义和价值。本文针对这一问题,从模型的设计及算法实现等方面进行了深入的分析与研究。论文的主要工作和创新包括:1.针对单幅图像提高分辨率方法中存在的不足,设计了一种基于最大后验概率估计(MAP)框架下的,利用多帧序列图像的高分辨率图像重建方法。MAP估计为图像的最优估计提供了良好的框架,便于数学求解,可以获取较单幅图像更多的图像信息,重构出较任何单帧图像更高的分辨率。2.针对图像重建选择了一种Gibbs模型,并设计了其势函数选取模式。通过Gibbs模型,可以从图像的局部特性来分析图像的整体构成,具有良好的收敛效率,这为实时处理带来了方便。3.针对普通运动图像特性,采用了一种改进的三步搜索法,这种算法兼顾较大和较小运动估计两种情况,在小运动估计的情况下也能取得很好的运动估计的效果。并结合运动图像最优点通常分布在零矢量周围这一特点,加快了运动估计的过程,减小了超分辨率图像重建的运算量。4.在迭代的第一步中,提出了一种基于双线性插值的改进算法,该算法针对双线性插值算法在边缘处理上的不足,加以了改进,从而使得放大后的图像处理细节部分仍然清晰。在这些技术的基础上,本文最终利用序列图像重建出较其他方法更优的高分辨率图像,并且在效率上优于其他类似方法,并对该方法的结果进行了验证。