图像的超分辨率重建是数字图像处理领域的研究热点。超分辨率重建是指从一幅或多幅低分辨率图像中产生一幅质量较好的高分辨率图像，以满足实际应用的需要和人们对图像质量不断提高的要求。超分辨率技术主要分为三大类:基于插值的超分辨率重建技术、基于重构的超分辨率重建技术和基于学习的超分辨率重建技术。其中，基于学习的超分辨率重建技术从训练库中获取先验知识，对输入低分辨率图像的信息进行补充，可以获得理想的重构效果，成为当前图像超分辨率研究的热点研究问题。本文研究基于核回归的超分辨重建，主要研究内容及贡献如下:　　1)提出了基于稀疏核回归的图像超分辨率重建算法。本算法将图像超分辨率重建问题转化为核回归问题，求解低分辨率图像和高分辨率图像之间的映射关系。本算法使用最小二乘拟合的方法求解回归模型，并且，由于回归模型的求解涉及到大规模矩阵的建立和运算，计算复杂度高，因此利用k-means算法找出能够代表训练库的稀疏集合来降低运算复杂度。　　2)提出了基于组合核回归的图像超分辨率重建算法。本算法在基于稀疏核回归算法的基础上，进一步考虑核选择问题，通过核组合提高核函数拟合的性能，实验证明这个方法能够获得比基于稀疏核回归方法更好的效果。　　3)提出了基于多核学习的图像超分辨率重建算法。将图像超分辨率重建问题转化为多核回归问题，由于在核回归中使用不同的核函数可能带来不同的效果，因此选择核函数是一个非常关键但很棘手的的问题，通常涉及到复杂的交叉验证，因此使用多核学习方法，通过学习与调节多个核函数的参数，使组合的核函数尽可能达到更优的性能，从而建立出有更好性能的回归模型。　　实验表明，本文所提出的三种方法均能从单幅低分辨率图像中重建出质量较高的高分辨率图像，重建出的图像边缘平滑，并且客观评价标准上都超过了本文中对比的其他三种超分辨率重建方法。