近年来,图像被应用到现实生活中的许多领域,图像超分辨率重建技术作为一种提高图像质量的重要手段,得到了研究者的广泛关注。基于稀疏表示的超分辨技术是图像处理领域中的热点问题,但其中也存在着诸如学习字典过于单一、易受噪声影响等缺点。针对上述背景,本文在稀疏表示的基础上来实现图像的重建,主要研究内容如下:首先,论文阐述了图像超分辨率重建算法的一些相关理论。介绍了稀疏表示、字典学习及其更新的原理,并将基于聚类的超分辨率重建与其它方法进行了比较。其次,在稀疏表示和压缩感知的基础上,论文提出了一种基于改进稀疏字典的图像超分辨率重建方法。该方法把改进的稀疏字典引入目标函数,将L1范数同时应用到稀疏表示系数和字典中。实验结果表明,该方法能较好地改善图像质量,并且在噪声环境中也能有稳定的性能。再次,针对字典单一、图像退化等问题,论文提出了一种基于多字典和稀疏噪声编码的图像超分辨率重建方法。在字典训练阶段,先将图像块进行聚类,利用分类结果训练得到不同类别的子字典,以便为重建图像块选择合适的子字典;求解稀疏表示系数时,引入稀疏编码噪声,利用图像非局部自相似性来估计原始图像的稀疏编码系数,并将这些估计作为约束项来去除噪声的影响。实验结果表明,算法对噪声具有较好的鲁棒性。接着,为了实现在最佳稀疏域上进行重建,论文提出了一种基于选择性稀疏编码的图像超分辨率重建方法。在字典训练阶段,使用图像块梯度的大小和相位来进行聚类,并将映射函数引入到字典学习的目标函数中,为每个类别训练字典;在重建阶段,通过选择合适的稀疏域进行编码,将稀疏系数与相应的高分辨率字典相乘,获得图像块的高分辨率估计。实验结果表明,在恢复图像边缘特征和细节信息方面,该方法取得了较好的重建结果。最后,对本文方法进行了总结和对比分析,并对今后进一步的研究方向进行了展望。