图像超分辨率（Super Resolution，SR）是指通过算法提升图像分辨率以突破硬件限制的技术，具有良好的应用前景。近年来，压缩感知和稀疏表示理论在图像去噪，图像重建，图像压缩等领域取得了广泛关注，基于稀疏表示的 SR 技术相较于传统基于重建等方法具有重建质量高，鲁棒性强等优势。针对上述背景，本文对基于稀疏表示的图像SR重建关键技术展开研究，主要工作及创新点如下：
　　首先，本文阐述了稀疏表示理论基础；研究了字典学习算法以及稀疏编码方法；对基于稀疏表示的SR理论框架进行梳理；介绍了相关的重建质量客观评价指标。
　　其次，提出了一种基于双稀疏模型和非局部相似约束的图像SR方法。针对传统K-SVD字典对大图像块处理能力不足的问题，引入一种双稀疏字典模型，结合结构化字典和非结构字典优势，使算法能够利用大图像块的丰富信息提升重建质量；在重建阶段考虑到图像自身先验，通过非局部相似约束对求解过程进一步约束，实验表明该方法SR重建性能良好。
　　然后，提出了一种基于低秩约束的改进锚定邻域回归SR方法。在经典的锚定邻域回归算法框架上，引入局部加权正则化参数约束投影矩阵；在重建阶段，考虑非局部相似块间的低秩性，利用低秩约束移除潜在的稀疏噪声以提高重建效果。实验表明，该算法相对于原框架在主观视觉效果和客观评价指标上均有一定的提升。
　　再次，提出了一种基于多级字典学习和Gabor特征的SR方法。针对单一字典对存在的泛化性能不足问题，引入了一种多级级联字典结构，基于单位稀疏约束对输入特征构造层次化表示，从而提升对样本空间的全局泛化性能；考虑到梯度特征在描述图像信息上的局限性，提出使用多尺度多方向的Gabor特征替代梯度特征训练字典，以保留更多的图像信息。实验结果表明，该方法能够取得较好的重建效果。
　　最后，对本文整体工作进行总结，并分析讨论了目前仍存在的不足之处，并就尚待解决的问题提出未来研究工作的方向和展望。