随着信息技术的发展,数字图像在信息传递中占据着越来越重要的地位。然而由于受到成像设备硬件条件的限制以及其他环境因素的干扰,实际应用中往往得到的是退化的低分辨率图像,难以满足具体的场景需求。图像超分辨率重建是一种从退化的单幅或多幅低分辨率图像中恢复出高分辨率图像的图像处理技术,该技术凭借较低的成本便可以重建出高分辨率的图像,因此被广泛应用于遥感观测、医学成像、公共安全等领域。基于学习的超分辨率重建算法通过学习高、低分辨率图像间的对应关系,进而从低分辨率图像中重建出对应的高分辨率图像,此类方法具有优异的重建效果,因此成为目前超分辨率重建的研究热点。本文针对基于稀疏表示和深度学习的超分辨率重建算法进行深入研究,通过分析现有重建算法中存在的问题,提出新的改进算法并进行实验验证。本文主要的工作内容如下:首先明确了图像超分辨率重建技术的研究背景及意义,对国内外针对超分辨率重建的研究现状进行了分析和总结。然后对图像超分辨率重建的基本理论进行了描述,其中重点研究了图像稀疏表示和卷积神经网络的基本原理,以及图像质量评价的主观和客观方法。基于稀疏表示的重建算法通过训练过完备字典获得高、低分辨率图像间的映射关系,然而单一的字典无法准确的表达所有的图像块。为了提高稀疏字典与图像块的适应性,本文使用层次聚类算法对待训练图像块进行无监督的分类,针对每一类别训练单独的字典,然后自适应地匹配相应字典进行稀疏表示重建。此外重建模型会直接影响到超分辨率重建的效果,本文在集中稀疏表示模型的基础上,引入图像的非局部自相似性先验,以更加准确地恢复出高分辨率图像。基于深度卷积神经网络的算法在图像的超分辨率重建中具有明显的优势,但是随着网络深度的增加,网络训练变得困难且计算复杂度增高。本文研究了一种基于深度残差网络的重建算法,输入的低分辨率图像通过多个残差块进行特征提取,并对不同深度的特征进行融合,最后通过亚像素卷积实现上采样过程。通过多个测试集上对比实验的结果表明,与其他常见算法相比,本文算法在缩短重建时间的同时提升了图像重建的质量。