近年来随着通信技术的快速发展和信息化时代的来临,高分辨率图像在视频监控、医学成像和遥感卫星成像等各个领域中的重要性日益凸显。图像超分辨率重建技术根据输入的一个或者多个低分辨率图像重构出高分辨率图像,突破了现有图像成像器件的性能约束,实现了高分辨率图像的更好应用。因此,对于超分辨率重建技术的研究具有十分重要的意义。传统基于学习的超分辨率重建算法复杂、计算量大,先验知识单一,针对这一问题,我们从提升超分辨率重建速度和融合内外特征两个方面进行了研究。论文取得的创新成果主要有以下两点:(1)针对基于自学习和稀疏表示的快速单图像超分辨率算法,利用输入图像训练字典,重建出的图像边缘平滑有伪影、运行速度慢的问题,提出了残差字典学习的快速图像超分辨率算法。利用残差图像的概念,通过对外部高分辨率图像集中提取出的高频残差图像进行字典训练,减少了字典训练时间和运算量,得到高频残差字典性能更好。为了提升重建速度,采用Cholesky分解方法简化正交匹配追踪算法中的矩阵求逆计算,在减少计算量的同时能够快速求解出稀疏系数。利用求得的稀疏系数与高频残差字典重构出高分辨率图像,并利用迭代反投影法对重建图像进一步修正、完善。实验表明该算法的重建速度快、图像效果好。(2)针对单一先验知识约束的图像超分辨率重建的不足,我们提出了融合内外特征的图像超分辨率算法。通过对输入低分辨率图像用插值放大得到幅度变大的伪高分辨率图像,利用深度神经网络(ARCNN)增强伪高分辨率图像的高频细节并去除伪影,得到高频残差图;同时将伪高分辨率图像输入具有稀疏先验的深度神经网络(SCN)中,由外部图像集训练得到的残差字典快速重建出初始高分辨率图像;利用卷积稀疏融合高频残差图与初始高分辨率图像,有效地实现了图像的超分辨率重建。为了改善重建后的图像视觉效果,使用迭代反投影法来进一步改善图像质量。实验证明该算法在峰值信噪比值和图像视觉质量上提升较大。