图像超分辨率重建是计算机视觉领域中一个研究热点，有广阔的应用前景和实际应用价值。它主要关注在硬件设备性能受限的情况下，从所获取的单幅或者多幅图像中，设计算法尽可能提高图像的分辨率，尽量保持图像中丰富的细节，满足用户对图像的视觉要求。基于学习的图像超分辨率重建算法是当前最流行的超分辨率重建算法，该类算法通过对训练库中的图像进行学习，得到高分辨率和低分辨率图像之间的非线性的映射关系，从而预测得到低分辨率图像中丢失的大量高频信息。当前基于学习的超分辨率重建方法还有较大的提升空间。而深度学习是新兴的机器学习算法，相对于其他的机器学习方法，其优势有:1）处理数据的能力强，在文字、语音等方面的识别结果显示，基于深度学习的方法能大幅提高文字和语音的识别性能;2）能处理大规模的训练数据，是处理大数据的有效工具。受此启发，本文将深度学习算法引入到超分辨率重建问题中，旨在通过设计基于深度学习的模型算法，提高超分辨率图像的质量。本文主要贡献如下:　　1)提出基于深度置信网络的图像超分辨率重建算法。现有的基于受限波尔兹曼机(RBM)的深度学习方法主要是针对分类问题设计的，其网络输出是0和1的二值输出，本文探讨如何将RBM改造成针对超分辨率重建问题的网络结构，将输出改造成实值输出，并提出基于深度置信传播的分辨率重建方法。实验结果表明本文所提出的基于DBN的超分辨率重建方法的有效性。　　2)提出基于深度置信网络与正则化约束的图像超分辨率重建算法。基于DBN的超分辨率重建方法尽管在一定程度上能解决超分辨率重建问题，然而，由于DBN没有利用图像的邻域信息，基于单点输出的DBN超分辨率重建还有一定的局限性，重建效果并不理想，为此，本文提出利用图像的先验信息对模型进行正则化约束，建立基于非局部全变分正则化约束、局部全变分正则化约束和基于DBN拟合正则化约束的超分辨率重建模型，并针对这一模型，设计基于Bregman算法的快速求解优化模型的算法。实验结果表明，施加正则化约束和DBN的超分辨率重建效果优于当前流行的超分辨率重建算法。