图像超分辨率重建技术在不更新原有成像设备的情况下，采用数字信号处理技术，利用混叠、模糊、含噪的低分辨率观测图像得到高分辨率图像。该技术在卫星成像、医学成像以及高清电视等领域具有广阔的应用前景，因此图像超分辨率重建算法存在重大的研究价值。本文主要针对图像超分辨率重建中需要解决的模糊辨识、图像配准以及先验知识的获取等问题进行深入研究，并且取得一些成果，主要包括： (1)提出基于双正则化的图像超分辨率盲重建算法。成像过程中光学器件、运动、大气湍流等因素会导致图像模糊，模糊过程用点扩散函数(PointSpreadFunction，PSF)描述。许多重建算法假设PSF是事先知道的，然而实际的应用环境下PSF事先不知道或部分知道，因此重建时需要对模糊过程进行辨识，即估计PSF，在此条件下进行的图像重建又称盲重建。论文将未知PSF模型化，构建关于PSF参数和重建图像的代价函数，该函数包括两个正则化项，其中一个正则化项用于约束重建图像，另一个正则化项用于约束PSF。而约束图像的正则化项，其正则化作用的强度随重建图像局部光滑程度的变化而自适应地改变，以便能保护图像细节同时抑制平滑区域的噪声。算法采用交替最小化方法估计PSF的模型参数和高分辨率图像，并随着迭代次数的增加逐步提高每次寻优的精度以节省计算开销。 (2)提出采用变量投影思想实现图像超分辨率盲重建的算法。当进行图像超分辨率盲重建时，既需要估计PSF参数，又需要估计高分辨率图像，通常采用交替最小化方法。然而，交替最小化方法存在不足：当估计值向最优解靠近时间题的病态程度会不断加剧。变量投影方法可以克服交替最小化方法的不足，改善问题的求解条件。算法首先构建关于PSF参数和重建图像的代价函数，接着采用类似于变量投影的方法得到关于PSF参数的代价函数，并利用该代价函数估计出PSF参数，最后进行图像超分辨率重建。为了有效地实现该算法，论文提出利用Lanczos方法及Gauss求积原理获得关于PSF参数的代价函数的近似值，并且近似的精度能够满足计算要求。 (3)提出一种用于超分辨率重建的图像配准算法。利用多幅低分辨率图像实现超分辨率重建时，图像配准是其中一个重要环节，配准精度直接影响重建效果。虽然存在许多配准算法。然而低分辨率观测图像中的混叠分量会对图像配准产生不利影响，当混叠达到一定程度时，许多配准算法不能满足超分辨率重建的精度要求。而将图像配准和超分辨率重建联合实现的算法受混叠影响较小，论文分析了其中原因。然而，该类算法通常采用交替最小化方法。为了克服交替最小化方法的不足，论文提出采用变量投影思想实现该类算法，并且利用Lanczos方法和Gauss求积原理有效地估计代价函数的值。从而能够比较方便地估计配准参数。 (4)提出基于实例的文本图像超分辨率重建算法。图像超分辨率重建是不适定的逆问题，因此需要先验知识约束重建过程，尤其是仅有一幅低分辨率观测图像可供利用的情况下，关于重建图像的先验知识成为重建能否成功的关键。论文研究了从一幅低分辨率文本图像重建高分辨率图像的算法，图像中包含文字、公式和曲线图等内容。首先利用实例图像和图像降质模型建立图像库，然后在图像重建时，将低分辨率观测图像分成若干子块，每个子块分别从图像库中找到一块最佳匹配的高分辨率实例图像块，将这些实例图像块依次拼成一幅大图，并把该大图各点的灰度值作为重建图像各点灰度值的均值，以此先验知识采用最大后验概率(MaximumApostcrioriProbability,MAP)准则估计出高分辨率文本图像。实验结果表明该算法能够取得较好的重建效果。