图像分辨率是成像系统对图像细节分辨能力的一种度量，也是图像中目标细微程度的指标，它表示景物信息的详细程度。由于高分辨率图像能提供有关目标更多的细节信息，人们对高分辨率图像的需求越来越强烈。但由于成像系统的限制，现实中得到的图像往往受到退化和噪声的影响，分辨率有限。当前，获得高分辨率图像的方法主要有两种。一种是通过改善成像系统的物理硬件来提高分辨率，但是成本较高，且受到物理条件的限制。另一种则是通过数字信号处理的手段获取高分辨率图像，超分辨率重建技术就是其中的一种。超分辨率图像重建是指从一组低质量、低分辨率图像重建出更高质量、更高分辨率的图像。它能够克服低分辨率成像系统固有的分辨率限制，并去除退化和噪声的影响。该技术被广泛应用在军事遥感侦察、天文、医疗、公共安全以及计算机视觉等多个方面。 通常，我们将超分辨率重建技术分为两类：基于重构的超分辨率重建技术和基于学习的超分辨率重建技术。针对前者，本论文主要对盲超分辨率重建进行了研究，而针对后者，则是进行了人脸幻想方面的研究，主要内容如下： 首先，概述低分辨率图像的成像过程，建立相应的数学模型。在此基础上，对超分辨率重建技术已存在的算法进行了总结，重点介绍了算法的基本原理、理论依据、实现步骤以及优缺点。 其次，提出考虑传感器PSF的盲超分辨率重建算法。传感器PSF是由矩形感应区域的空间积分所造成的一种模糊，其在实际的成像过程中是不可避免的。在盲超分辨率重建中，忽略传感器PSF会使辨识所得的降晰函数受到传感器PSF的干扰，降低辨识的准确度，从而影响重建图像的质量。对此，本方案引入了新的符合实际成像过程的传感器PSF模型，将传感器PSF和所要辨识的降晰函数进行分别考虑，并通过上下采样使传感器PSF模型得以具体实现。在此基础上，再利用基于误差-参数分析的盲超分辨率算法进行降晰函数的辨识和图像重建。 再次，提出基于环形Gabor变换（CSGT）和主分量分析（PCA）的人脸幻想算法。人脸幻想算法是一种基于学习的超分辨率重建算法，在实现过程中，复原结果的可靠性容易受到人脸训练库的影响。对此，本方案首先对所有的人脸图像（输入的人脸图像和原始的人脸训练库）进行CSGT，然后再利用局部极值准则提取人脸图像特征以代表每幅人脸图像。基于提取到的人脸图像特征，我们分别计算输入人脸图像和原始训练库中每幅人脸图像之间的欧式距离，并将其作为挑选新的人脸训练库的标准。由此得到的人脸训练库能够保证库中人脸图像与输入人脸图像之间的相似度，从而保证复原结果的可靠性。建立可靠的人脸训练库之后，我们再利用PCA进行人脸幻想，重建出高分辨率人脸图像。 在论文的最后，总结了所研究领域亟待解决的一些问题和下一步的研究重点，同时对该领域的发展趋势进行了展望。