现有空间观测系统基于传统成像体制,受限于探测器的物理尺寸、数据带宽、曝光时间和光学系统的衍射极限,易受光照变化、光学或运动模糊、量化采样和噪声等因素干扰,使图像质量和分辨率明显下降,不利于空中目标的跟踪识别和关键事件记录。基于光学压缩感知和计算成像的时空超分辨率成像技术,可以突破传统采样方式和器件限制的瓶颈,因此研究时空超分辨率成像理论及关键技术,具有重要的应用价值和现实意义。时空超分辨率成像技术是一个交叉学科,涉及压缩感知、计算成像和图像处理等技术,本文在相关研究的基础上,深入研究了时空配准与运动估计、多视频序列时空超分辨率成像和孔径编码时间压缩成像(Coded Aperture Compressive Temporal Imaging,CACTI)等理论和关键技术。论文的主要工作和取得的创新性成果如下:1、针对复杂场景的多视频序列时空配准问题,提出一种基于天文标定和SIFT(Scale-Invariant Feature Transform)流的联合时空配准方法,实现时空配准参数的高精度联合估计,并降低计算复杂度。为实现多传感器的空间配准,提出一种基于局部星图模拟的识别和姿态解算方法,建立了多传感器空间观测的成像模型,将星座特征转换为模拟星图的图像特征;提出基于四边形对角线简比不变性特征的局部星图识别算法,利用星点坐标矩阵奇异值不变性,自动匹配星点并求解姿态矩阵的参数值;为实现局部运动估计和时间配准,利用SIFT流场相似性求解时间变换参数,达到联合时空配准的目标。实验结果表明,该算法具有估计精度高、计算简单和鲁棒性强的优点,满足时空超分辨率成像系统时空配准的精度要求。2、针对现有多视频序列时空超分辨率重建算法存在的运动模型简单、模糊和噪声水平未知等问题,提出一种基于置信度传播(Belief Propagation,BP)的MAP-MRF(Maximum Posterior Likelihood-Markov Random Field)时空超分辨率重建算法。针对真实运动场景中存在的多目标、大位移和光照变化等问题,提出基于小波变换域稀疏约束的SIFT流算法,算法具有较高的估计精度和较强的鲁棒性;提出一种运动矢量加权的MAP-MRF模型,采用加权全变分(Total Variation,TV)正则项表征多视频序列之间的时间和空间稀疏性和平滑性,利用BP算法同时对运动矢量、模糊核等模型参数和超分辨率图像进行分级迭代估计。实验结果证实,与现有的超分辨率重建算法相比,本文提出的基于BP的MAP-MRF重建算法在保持边缘锐度和纹理细节的同时,可以有效抑制噪声,实现真实场景的时空超分辨率成像。3、针对CACTI提升时间分辨率的同时导致空间分辨率退化严重的问题,提出一种基于多正则约束的MAP-MRF时空超分辨率重建方法。提出的多正则约束算法充分利用运动场景在不同变换域的稀疏性和多次观测数据的帧间非冗余信息,同时保证运动前景和静态背景的清晰度;提出基于TV和运动矢量的多正则约束重建算法,在鲁棒性和重建图像质量方面具有明显优势。实验结果证实了本文提出的优化框架和重建算法的有效性。4、构建相机阵列成像系统和基于数字微镜阵列的CACTI系统,分别验证基于天文标定和SIFT流的多视频序列时空配准方法,基于MAP-MRF的超分辨率重建算法,以及基于多正则约束的CACTI重建算法的有效性,为时空超分辨率成像技术的实用化奠定基础。