随着图像智能化处理在各个领域的日益广泛应用，人们对图像的分辨率和清晰度提出了更高的要求，当前通过传感器捕捉的图像分辨率逐渐满足不了日益增长的需求，同时由于光学器件的物理局限性和昂贵的成本价格，因此基于软件思想的图像超分辨率重建的信号处理技术应运而生。超分辨率重建(Super-ResolutionReconstruction，SRR)技术利用已有的低分辨率成像系统，通过信号处理的方式来提高图像的分辨率，这种技术在国内外学术界和商业上得到了极大的重视和深入的研究，具有重要的理论和应用价值。　　本文对于图像超分辨率重建的问题主要围绕着最大后验概率(MaximumAPosteriori，MAP)的方法进行了一些研究和改进，主要完成的工作内容包括:　　首先，引入了一种基于关键点滤波(Critical-PointFilters，CPF)的图像配准方法。相对于传统的光流估计方法，经过测试，关键点滤波图像配准能更有效地表达各种非平移的运动，如旋转、缩放等，同时实现了图像的自动配准，因此可以更有效地计算出低分辨率图像序列的运动矢量。　　然后，对基于MAP正则化的超分辨率重建算法进行研究。首先对保真度项和正则化项进行了分析和比较，给出了基于关键点滤波图像配准的重建算法，该算法结合了L1范数的保真度项和总变分算子的正则化项，并采用了关键点滤波配准方法。经过测试，表明了基于关键点滤波图像配准的重建算法的有效性，特别在视频图像序列的测试中效果更佳。最后在此重建算法基础上加入了自适应正则化参数，经过测试，表明了自适应算法取得较优的重建结果。　　最后，对MAP/POCS混合算法进行研究和改进。首先对传统的混合算法进行了分析，得出传统方法只是简单地结合两种算法。然后针对传统算法的缺点进行改进，把POCS的残差约束集合加入到基于关键点滤波图像配准的MAP正则化算法中，在每一次迭代重建中，对重建的图像的像素点进行约束，可以更好的结合两种算法的优势。经过测试，表明了改进的MAP/POCS混合算法的有效性。