图像是信息交流的重要载体,不少行业对高清晰图像的需求日益增加。为了不断提高图像质量,学者们提出图像超分辨率重建方法。但是目前的方法存在一些问题,比如输入图像先验信息利用不足、重建图像出现异常纹理和过度关注高频特征丢掉低频特征。为解决这三个问题,本文提出三种图像超分辨率重建方法,本文的主要成果如下:（1）针对非局部先验会模糊图中物体的轮廓,局部先验会在平坦区域产生阶梯效应同时破坏物体纹理的问题,在没有训练样本的情况下,考虑局部和非局部优势,提出一种基于自样本联合先验学习的方法。首先,因为图像块之间存在非局部结构相似性,提出群稀疏先验学习模型。其次,考虑非局部自相似性,建立非局部先验学习模型来重构细节信息。在此基础上,提出一种搜索能力强的相似图像块搜索策略。自然图像中存在局部统计特征,提出利用像素方向特征的局部先验学习模型来估计高分辨率图像。最后,引入Bregman迭代方法求解模型中的l1范数,重建后的图像能够更好地保留图像的结构细节。（2）针对单一结构无法充分学习外部相似图像特征,重建图像容易出现异常纹理的问题,当训练样本存在时,提出基于外部样本字典网络双学习的方法。依靠两个不同阶段的级联来关联低分辨率图像块和高分辨率图像块的特征,将字典学习阶段产生的样本作为下一阶段前馈神经网络的训练样本,实现从粗到精的过程。在实验阶段,详细讨论了如何选择可调参数,重建实验表明,所设计的网络能够充分利用外部样本特征,获得细节清楚的高清晰图像。（3）针对卷积层提取图像特征的分辨率提升方法没有充分考虑各阶层的特征信息,并且存在网络层数多导致梯度消失、训练难度大的问题,当训练样本存在时,提出外部样本残差学习的方法。所设计的残差结构能够逐步学习外部训练样本的相似先验,网络的计算负担被分担在单个残差块上,网络复杂度变小。利用非负矩阵理论融合输入图像和网络输出图像,得到的高质量图像的边缘区域更连贯。因此,针对图像先验信息利用不足的问题,提出基于自样本联合先验学习的重建方法。针对出现异常纹理的问题,提出基于外部样本字典网络双学习的重建方法。针对过度关注高频特征丢掉低频特征的问题,提出基于外部样本残差学习的重建方法。实验表明,所提出的三种方法均能挖掘输入样本信息,重建出高质量的图像。其中,基于外部样本残差学习的重建方法重建时间最短,有利于提高工程应用效率。