随着计算机网络技术的应用和多媒体技术的发展，图像信息在人们的工作、学习和生活中发挥越来越重要的作用。改善图像质量，提高图像分辨率成为数字图像处理领域最基本、最重要的研究课题之一，具有重要的理论价值和实际意义。 目前，超分辨率复原技术主要分为两种主要研究方法：基于重建超分辨率复原和基于学习的超分辨率复原。本文主要研究基于学习的超分辨率复原技术，在对现有基于学习的算法进行分析的基础上，通过研究新的算法，提高图像超分辨率复原能力，降低算法复杂度。同时论文对于人脸这一特殊类型的图像进行了超分辨率复原的研究，结合人脸图像的特征，提出了新的基于区域自适应的人脸超分辨率算法，并且给出了良好的实验结果。 本论文主要在以下一些方面展开了工作： 1.研究并实现了一种典型的基于学习(示例)的超分辨率复原算法，该算法利用马尔可夫网络来学习高分辨率图像及其对应低分辨率图像之间的对应关系，并用这种关系来指导低分辨率图像的复原，取得了较理想的复原结果。但是，该算法需要对数量庞大的训练样本库进行遍历搜索，时间复杂度很高。样本的误匹配现象也会影响图像的重建质量。 2.提出了一种基于预分类学习的超分辨率复原算法。针对现有算法遍历搜索样本库，运算复杂度高且存在误匹配现象等问题，本论文提出了一种新的基于预分类学习的超分辨率复原算法。首先根据简单的纹理特征参数对样本库进行预搜索，找到纹理内容相近的子样本库，然后在子样本库中进行像素级精确匹配搜索。算法中预搜索过程的引入，不仅有效减少了精确匹配搜索的工作量，降低了算法的复杂度，而且通过有效利用样本的纹理特征进行匹配，提高了精确搜索的针对性，减少了误匹配的发生。实验表明，提出的算法能有效提高算法结果的复原质量和运行速度。 3.针对人脸这一特殊类型的对象，提出了一种基于区域自适应学习的人脸图像超分辨率复原算法。算法根据人脸图像的纹理特征将人脸分为平坦区和细节区。对面部平坦区直接采用双线性插值放大；对于眼睛、鼻子和嘴等细节区，采用分类预测器重建高频信息。在细节区，将相似纹理结构的图像块分为一类，对每类纹理结构分别训练线性预测器，进行高频信息预测。实验结果表明，本文算法在图像重建质量的主观效果和实现速度上都有很好的表现。但是，由于人脸区域的样本划分采用的是人为分类的方法，分类过程较为简单，所分类别数比较单一。 4.进一步针对人脸图像特征，对面部纹理信息进行基于学习的分类方法的深入研究。在结合基于矢量量化的人脸图像超分辨率复原基础上，本文根据人脸的特征，提出了一种基于区域矢量量化样本分类预测学习的人脸图像超分辨率复原算法，该算法根据人脸的固定模式将其划分为不同区域，根据每个样本所处的区域对其进行自适应的类别划分，并对每个区域的类别建立相应的预测器来预测高频信息，最终实现超分辨率复原，本论文给出了良好的实验结果和详细的分析过程。 本文的成果丰富了图像超分辨率算法的研究思路，为图像超分辨率问题的解决提供了有益的方法和手段，同时对于人脸图像的超分辨率复原，探索了一个新的研究方向，具有一定的理论意义和应用价值。