现今人们对高分辨率图像的质量要求越来越高、技术需求也在日益增加，随着时代的进步和科学技术的快速长足发展，在设备一样的情况，利用智能算法获取高质量的图像成为研究的热门话题，那么通过何种有效的软件算法手段改善图像具有重大的研究意义。图像超分辨率重建技术理论上通过处理一幅或者多幅低质量的低分辨率图像重构出高质量的高分辨率图像，尽可能的保持与原来的高分辨率图像一致。目前该技术已经广泛的应用于遥感图像领域、医学图像领域、视频监控领域（通过放大图像）、视频传输领域，并且取得了显著的成果，因此现在已成为图像处理领域的一大热点。超分辨率技术在研究的方法领域中，大致可以分成三类、如基于插值的方法、基于重建技术的方法和基于样本样例学习的方法。这三类方法中，基于插值的方法速度可以认为最快，也是研究较早的方法，优点是在实际应用中实现时比较简单快速，缺点是效果差强人意，难以满足人们的需求。基于重建的方法效果适中，方法也是不难实现，缺点是对于放大的倍数较大的情况无法有效得到通用的效果。基于学习的方法在重建图像中效果较好，通常通过构建训练集学习高、低分辨率字典的方法，利用对应的字典关系对方法，重构出高分辨率图像。优点是重构的质量很好，倍数不是很大的情况时可以满足用户的基本要求，缺点是训练的阶段速度很慢，与前面的方法差异较大，基于学习可以认为是时间换取空间的方法，目前大量的研究应用在这类方法中。在基于学习的方法中，目前有两大类基于稀疏表示的图像超分辨率，一是通过单幅图像重构，二是通过多幅图像重构单幅图像，本文的着重研究在基于稀疏表示的单幅图像超分辨率，并作出如下三个方面的改进:　　(1)基于RTV(Relative Total Variation)分解模型与同伦法的图像超分辨率。通过将图像分为纹理部分和结构部分。预处理中，使用RTV模型分解图像，分解的效果更好，有利于后面的重构过程。训练过程中，纹理部分利用联合训练得出一对高、低的字典对。重构阶段，结构部分采用Lanczos3插值法对传统双三次插值方法作出改进，纹理部分使用同伦法对传统的OMP(Oahogonal Matching Pursuit)算法作出改进，结果表明，有效的提高了重建效果。　　(2)基于RTV分解模型和LRTV(Low Rank Total Variation)模型的图像超分辨率。LRTV模型的最初应用是在医学图像领域，将原来的TV结构模型增强与改进，利用(1)中的方法，在用RTV模型分解之后，使用LRTV模型改进对结构部分的处理，并在最终加权地处理结构部分和纹理部分，提高了效果。　　(3)传统的基于稀疏表示学习的超分辨率中，只有一对高低分辨率字典对Dh和Dl，针对这个特点，本文使用SM(Sharpness Measure)特征分类方法，将训练集分为两类，训练出两对字典对，并且在重构阶段使用L1-homotopy方法重构高频部分，使用Lanczos2方法重建低频部分以提高效果。