图像超分辨率重建技术目前已广泛应用于视频监控、卫星遥感、军事侦查、医学影像处理等领域。目前,生活、工作中面对的图像降质问题一般包括图像变形、模糊、降采样以及含噪声等,出现图像质量下降的原因是成像设备的性能具有局限性,且成像环境复杂、多变,这使得对图像超分辨率重建技术的研究逐渐成为众多图像应用领域的迫切需要。图像高分辨率重建的难点在于由于先验信息不足,图像的高频细节信息难以恢复,导致重建的高分辨率图像边缘、纹理等特征清晰度不足,且重建方法通常存在计算复杂、实时性不高等问题。本文基于稀疏表示理论对单帧的、无噪声或噪声较少的低分辨率图像的超分辨率重建问题进行了研究,提出了一种基于局部边缘特征约束的图像超分辨率（LEF-Sc SR）算法。本文的工作主要分为两部分:一是关于局部边缘约束的研究,二是关于全局优化方法的研究。首先,本文对LEF-Sc SR算法进行了初步研究,通过采用多字典联合训练策略,引入局部边缘特征约束对稀疏编码过程进行了优化。稀疏编码模块是基于稀疏表示的图像SR算法的关键部分,它直接决定了重建HR图像的质量,不理想的稀疏编码结果将导致重建HR图像的严重失真。本文针对稀疏编码模块提出的优化方法,以边缘纹理等图像特征的稀疏性为基础,能较好的抑制边缘锯齿和伪影模糊的产生,能有效恢复图像的高频细节,获得了视觉效果和客观度量方面的提升。在第二阶段的研究工作中,本文结合渐近上采样和迭代上下采样网络的特点,提出了一种针对LEF-Sc SR算法的全局优化方法。渐近-迭代上采样网络能够充分挖掘和利用低分辨率图像中包含的信息,尽可能多的恢复图像的高频细节。而增强的重建约束条件通过将重建的边缘特征图像应用到重建约束模块来实现,能够保持重建图像在迭代过程中尽量保持高频信息不发生扭曲变形。实验结果表明,通过本文提出的LEF-Sc SR算法对低分辨率图像进行超分辨率重建,重建图像的边缘锯齿效应比优化之前明显减少,图像的边缘、纹理等高频特征更锐利和清晰,达到了与基于深度学习的方法相当的重建效果。LEF-Sc SR算法最终获得了视觉效果和客观度量方面的进一步提升。