随着信息技术的发展,数字图像广泛应用到了人类生活的各个方面。高分辨率图像含有丰富的色彩和细节信息,不仅可以提供良好的视觉感受,并且可以为后续的各种图像处理任务带来便利。图像超分辨率技术就是利用软件技术从低分辨率图像中恢复出高分辨率图像。过去几十年的研究中,该技术已经被应用于多个领域,如监控、医疗诊断和地球观测等。宽度学习系统是机器学习领域最近几年出现的新技术,是一种结构简单、参数较少的扁平化网络模型。目前,宽度学习系统已经在图像分类、人脸识别等任务中产生了较好的效果。本文研究了基于宽度学习系统的图像超分辨率技术。本文的主要内容如下:首先,提出了一种基于宽度学习系统的图像超分辨率算法。在训练阶段,该算法将低分辨率块作为宽度网络的输入。与此同时,在宽度学习系统的特征层,对输入的低分辨率图像进一步进行了特征增强。因此,该算法实际上建立了低分辨率图像块及其潜在特征与高分辨率图像块之间的非线性关系,充分利用了低分辨率图像中所包含的信息,提高了重建质量。在重建阶段,直接输入低分辨率图像根据训练好的网络就可以得到高分辨率图像。该算法采用最小二乘类算法训练网络,不需要进行迭代求解。避免了陷入局部最优并降低了算法的复杂性,显著地减少了计算资源。经实验验证,该算法能够在保证较短训练时间的同时,取得较好的重建效果。其次,为了更有效地恢复图像中的高频细节信息,提出基于全局残差学习和宽度学习系统的图像超分辨率算法。该方法以低分辨率图像块作为输入,利用宽度学习网络建立低分辨图像块与高分辨率残差之间的映射关系。由于该方法只利用了图像的高频部分作为训练样本,减少了所使用的数据量,使得训练速度更快并获得了具有更丰富细节的重建图像。实验证明,该方法不仅提升了模型的训练速度,还提高了重建图像的纹理、边缘等高频部分。最后,为了增强宽度学习网络对含噪声和异常值训练数据的鲁棒性,提出了一种基于相关熵准则的宽度学习网络。该网络用相关熵代替传统的均方误差损失函数,并给出了相应的学习算法。将改进的宽度学习网络用于图像超分辨率重建,学习低分辨率图像与高分辨率图像之间残差的映射关系。实验结果表明,该算法显著地提高了宽度学习网络的鲁棒性,同时提升了图像的重建质量。