超分辨率重建(Super-Resolution Reconstruction，SRR)技术在不改变现有成像设备的基础上采用信号处理方法从多幅混叠、模糊、含噪的低分辨率图像中重建出一幅或多幅含更多细节信息的高分辨率图像。SRR技术从软件的角度提高图像分辨率，弥补了成像设备硬件的不足，在多个领域有着较好的应用前景。　　 本文简要介绍超分辨率重建的相关原理，并对已有的重建算法进行回顾，主要对自适应正则化算法和超分辨率盲重建算法进行研究。针对正则化框架下的代价函数，对数据保真项和正则项分别进行性能分析。通过稳健估计理论对数据项的鲁棒性进行分析，采用稳健估计中的Huber函数代替传统的L2/L1范数以提高算法的鲁棒性。正则化参数起着平衡数据保真项和正则项的作用，对重建结果中的噪声去除和边缘保持起着至关重要的作用，然而现有算法大多采用人工选取方法，即从一系列参数值中选取对应最优结果的值，这种方法费时且具有很大主观性。本文简要介绍已有的正则化参数选取方法，并提出一种迭代自适应参数选取方法，在每次迭代过程中同时更新高分辨率图像和正则化参数。自适应参数能更好的权衡数据项和正则项，而且加快算法的收敛速度。仿真实验验证了算法的鲁棒性以及正则化参数的合理性。　　 已有的超分辨率重建算法大都忽略成像过程中的模糊信息或者认为其是先验信息，然而在实际应用场景中完全去除模糊的影响或者已知模糊信息是不现实的。图像的超分辨率盲重建(Blind Supre-Resolution，BSR)是在未知或只知道部分模糊信息的情况下重建高分辨率图像。考虑到现实场景中的模糊函数在一定程度上符合某一种类型的参数模型，而已有的BSR算法未充分利用模糊函数的参数模型信息，本文采用参数化形式表示模糊函数。针对参数类型已知的情况，提出采用误差参数分析曲线结合已提出的自适应正则化算法，进行模糊函数辨识和高分辨率图像的重建。仿真实验对不同类型模糊函数的参数判断方法进行分析，验证了误差参数曲线能够为模糊函数的参数辨识提供有效的信息，结合提出的自适应算法能得到较好的重建结果。