图像超分辨率重构是一种以同一场景中的一幅或一组低分辨率图像为输入，结合图像的先验知识，重构出一幅高分辨率图像的技术。这一技术能够在不改变现有设备的前提下，有效提高图像分辨率，改善图像视觉效果，为图像的后续处理奠定良好的基础。本文在总结基于插值、基于重构和基于学习的分辨率重构算法特点的基础上，重点介绍了Yang提出的基于稀疏表示理论的超分辨率重构算法。针对该算法需要大量的训练图片库来进行字典训练，而且运算时间较长的问题，本文分别提出基于形态学成分分析(MCA：Morphological Component Analysis)分解和基于显著图的图像稀疏表示超分辨率重构算法。其中，基于MCA分解的图像超分辨重构算法首先采用MCA将低分辨率图像分解为纹理子图和结构子图。字典训练时只利用纹理子图信息，重建时也只对纹理子图进行基于稀疏表示的重建。结构子图的重建则使用双三次插值算法。基于显著图的图像超分辨重构算法则根据人眼视觉特性，将图像分解为显著区域和非显著区域两部分，只对显著区域采用基于稀疏表示的重建算法，对非显著区域使用双三次插值算法重构。仿真实验表明，本文所提出的两种算法在保持图像质量和重构稳定性的前提下，均达到了预期改进目标。