统计学习,是基于数据建立概率统计模型,进行预测和分析的一门学科。在数据科学日新月异的今天,统计学习方法得到了广泛应用。本文主要内容分为三个部分:1.基于提升算法的人脸图像超分辨率技术。传统的稀疏表达图像分块超分辨率技术,在重构过程中,对每一块图像赋以同样的权重。但不同图像块所蕴含的纹理特征和信息量是不一样的,一个更加有效的做法是对信息更多的图像块赋以更大权重。所以,本文在基于字典学习的超分辨率基础上,结合AdaBoost算法,提出了WPAA方法(Weighted-Patch Algorithm via Ada Boost)。实验证明,不管是从人眼视觉体验,还是从特定计算机视觉指标上,WPAA方法都展示出很好的效果。2.基于高斯过程的带有判别信息的超分辨率技术。图像的判别信息,是很重要的图像特征,本文利用高斯过程学习图像的判别信息,并引入到超分辨率的图像重构过程中,提出了DSRGP方法(Discriminative Super-Resolution via Gaussian Processes)。3.树形结构数据的相关性研究。本文对树形结构数据进行统计建模,并利用点估计方法和贝叶斯统计学MCMC方法对树形结构数据进行了相关性统计分析。