图像超分辨率重建算法发展至今仍是图像处理领域的研究热点,在机器视觉、模式识别领域均有广泛应用。现阶段,基于学习先验的方式作为重建算法的首选,在获得高分辨率图像方面取得了巨大研究成果。本文致力于在图像自相似特性的学习先验下对图像超分辨率重建算法进行深入研究。基于稀疏表示的图像超分辨率重建算法具有很高的研究价值,但该类算法未利用图像本身结构信息,导致低分辨率图像的稀疏系数不适用于高分辨率图像重建。针对以上问题,本文在稀疏表示的基础上提出了一种基于自相似性学习和共形稀疏的图像超分辨率重建算法,使得求解的稀疏系数更适用于高分辨率图像重建。首先利用高斯混合模型引导图像内部结构相似块的分组;然后根据每个组邻居块与其对应稀疏系数在流形空间中保持局部几何角度不变的特性进行系数约束;最后,利用相似块对应的系数矩阵的低秩特性来捕获其全局结构,以获得可靠的稀疏系数矩阵。实验仿真验证了共形特性对重建算法的影响,且所提算法相比于六种对比算法重建出的图像具有更丰富的纹理细节和视觉效果。在相似图像块进行图像重建的过程中,忽视了图像中存在的更大规模结构信息的相互作用。并且利用简单的平均、图像块间信息的复杂融合或局部信息相联均不能解决该问题。针对该问题,本文引入多尺度相似性的先验信息,提出一种基于多尺度自相似性和共性约束的图像复原算法。在多种尺度的图像上,利用图像中较大区域的非局部相似性先验信息来保持局部模型的低维特性,获得高质量复原图像。该算法用于处理图像超分辨率重建、图像去噪和图像去模糊等图像复原问题。通过仿真分析可知,相比于对比算法,所提算法在处理图像复原问题方面更高效可靠。