在木材行业,木材鉴别以视觉分析较为直观,以计算机识别较为准确。而因为成像环境和采样设备等限定因素,人们得到的图像分辨率不高,无法精确的提取木材信息。基于学习的超分辨率技术的核心思想是借助学习的方式,来获取高、低分辨率图像模块的关联性,以待复原图像作为依据,完成对图像的补充和优化。其特点是对图像的准确重构,保持了图像的特征,对图像噪声的鲁棒性强。在基于学习的框架下,本文以复原图像细节,提升图像视觉效果作为最终目标,提出了去除领域中心的均方差的方法,研究木材图像超分辨率重建。论文的主要内容有：1.重点介绍双三次插值算法、基于方向自适应的插值算法、最大后验概率算法和稀疏表示法四种经典超分算法的重建理论。2.在基于学习的超分辨率重建算法的基础上,提出基于SCN-MSE的超分辨率重建算法。以模块为单位建立了训练数据库,利用NI-LBP算子构建模块估计系数,对模块进行分类。再利用SCN-MSE算子,完成模块内LL碎片的相似度比较。保留低分辨率图像的低频部分,将训练数据库中匹配模块的高频部分,插入低分辨率图像对应位置,取代其高频部分。通过小波逆变换完成超分辨率图像重建。3.将SCN-MSE算法与双三次插值算法、基于方向自适应的插值算法、最大后验概率算法和稀疏表示法进行试验对比,并对其结果进行了主、客观评价。4.将基于SCN-MSE的超分辨率重建算法应用于木材图像识别中,选取樟子松和樟子松树皮为识别对象,将基于SCN-MSE的超分辨率重建图像与经过传统预处理图像,·利用SVM多项式核函数进行识别,分析比较其识别结果。