超分辨率重建(Super Resolution Reconstruction, SRR)是图像处理领域的研究热点之一,其核心思想是利用一系列非冗余的低分辨率图像重建一幅高分辨率的清晰图像,本质上是一种用时间带宽换取空间分辨率的信息融合技术。本文首先介绍了超分辨率重建的基本原理、退化模型、正则化SR重建算法以及重建质量评价。通过比较分析现有的一些重建算法,发现算法的鲁棒性是衡量其能否进入实用化阶段的一项关键要素。对于现有常用的基于最小二乘估计的正则化SR重建算法而言,由于重建过程中可能会存在一些异常数据,导致估计结果偏差较大、算法鲁棒性差。本文深入地研究了采用M-估计的鲁棒正则化SR重建算法,并从两方面讨论了M-估计的选取,指出在正则化SR重建算法中采用Huber估计不仅可以保证算法的鲁棒性、解的唯一性,且获得的估计结果偏差较小。另外,引入稳健估计理论中的绝对中位偏差(Median Absolute Deviation, MAD)方法来计算M-估计所需的尺度参数,避免了人工选取带来的偏差和鲁棒性损失的影响。通过对比分析,实验结果验证了这种基于Huber估计的正则化SR重建算法的鲁棒性和有效性。对于SR重建,正则项不仅可以加速算法的收敛和提高解的稳定性,且直接影响图像处理的视觉效果,如对图像的边缘、纹理等几何结构的保持。如何设计合理的正则项来获得较好的边缘保持特性和视觉效果,一直是SR重建算法中的重要研究点。本文提出了一种融合M-估计和双边滤波的新型正则项框架,由于融合了M-估计对于边缘点的鲁棒性处理机制以及双边滤波的双重异性加权机制,因而相比于经典正则项具有更好的边缘保持特性。双边全变差在保持边缘的同时能够很好得抑制噪声,是目前使用较多的正则项,然而在噪声较大时它会出现“阶梯效应”,视觉效果差。研究发现在新型正则项框架下,选择Huber估计可以减轻“阶梯效应”,进一步提升算法的抗噪能力。合成序列和真实序列的实验结果都表明,这种基于Huber估计的新型正则项具有较好的边缘保持特性,且在噪声较大时能有效地减轻“阶梯效应”。