超分辨率重建目前已经得到日益广泛的研究并成为现代图像处理领域的一个重要研究方向，目的是为了恢复成像过程中“丢失”的信息，从而改善与提高图像的质量。基于学习的超分辨率重建算法近年来成为超分辨率重建的一个热点研究方向。本文在研究国内外最新研究成果的基础上，利用稀疏表示和字典学习进行单幅图像的超分辨率重建，主要完成以下几个方面的工作：首先，针对传统基于稀疏的超分辨率算法中没有充分利用待重建图像本身的信息这一不足，同时考虑图像重建质量随放大倍数增大而降低的特点，设计了基于图像自身信息的分次超分辨率重建算法。利用图像自身信息训练字典，并将重建过程分次进行使得每次放大倍数减小。实验结果表明，与传统的基于稀疏表示的图像超分辨率相比，该算法能够恢复更多的细节信息。其次，针对传统超分辨率算法构建字典单一且忽略了高低分辨率稀疏系数之间的关系，不能最准确的稀疏表示图像块的缺点，设计了基于多字典及稀疏系数映射的超分辨率重建算法。该算法对不同结构的图像块分别训练字典，同时求得各类别中两个稀疏表示系数之间的关系映射。实验结果表明，与单一字典训练和未考虑系数映射的算法相比，该算法能够获得较清晰的边缘，视觉上和客观评价标准上均有提高。最后，针对现有算法中先验知识来源单一的问题，在图像自相似性的基础上充分将图像本身的信息和自然图像库的信息相结合，提出基于图像自相似性和字典训练的超分辨率重建算法。先利用图像在不同尺度的自相似性，只用单幅低分辨率图像进行超分辨率重建；然后利用自然图像库进行字典学习并以初步得到的重建图像作为输入再次处理。实验结果表明，与现有算法相比，该算法能够恢复更多图像细节，视觉上和客观评价标准上均有提高。