图像是传递信息的重要载体，但因受设备及环境等因素的影响，使获取的图像为包含噪声且缺少细节的低分辨率图像，而通过改善成像设备获得高分辨率图像成本较高，因此图像超分辨率重构技术成为图像处理领域的研究重点，而且此技术已广泛用于遥感，监控，医疗等领域。　　图像超分辨率重构是指以一幅或多幅低分辨率图像为基础，利用算法的方式重构出一幅高分辨率图像。本文中为了估计更多图像的高频细节，提出了一种基于支持向量回归机的多字典学习和利用改进的迭代反投影作为后处理的图像超分辨率重构算法。文中的主要工作及创新点如下：　　（1）详细介绍了图像超分辨率重构的研究背景，意义，目前的发展状况及各类常见算法的理论,并简单描述了各算法的优势及不足。　　（2）针对基于学习的算法在学习字典时常采用同样特征值的问题，本文算法经光栅扫描分块后，在离散变换域和空域中分别采用不同的特征值，通过支持向量回归机学习低频图像块字典和高频图像块字典,并在预测过程中使用同样的方法提取测试图像的特征，更加准确地表征了图像不同部分的特性。　　（3）为了减少重构过程中回归图像的误差，本文结合图像的光栅扫描分块提出了一种改进的迭代反投影算法作为重构算法的后处理过程。利用每次由回归得到的图像替换传统迭代反投影中的迭代图像，并使用双三次插值取代了传统的迭代反投影矩阵，避免了投影矩阵难确定的问题。　　（4）为验证本文算法的有效性，分别进行了三类实验:选取合适字典，本文算法与其他算法比较，改进的迭代反投影与传统迭代反投影算法的比较，从客观和主观方面本文算法获得了较好的图像重构效果。