因一些硬件设备及外界环境的影响，使得采集到的数字图像分辨率较低，故提高图像分辨率成了为图像领域的重要研究课题之一。用硬件方法提高图像分辨率用硬件方法提高图像分辨率往往是通过增加单位面积内传感器的像素或增大CCD芯片的空间尺寸等。这种方法虽然是提高图像分辨率最直接的方法，但由于硬件受体积、工艺、价格等因素限制，采用软件方法提高图像分辨率成为图像超分辨率重建方向的研究热点。目前，图像超分辨率研究可分为三大类：基于插值，基于重建约束和基于学习的超分辨率重建方法。其中，基于学习的方法是近年来研究最多的超分辨率重建算法。其基本原理是通过全局约束加以优化训练给定的训练图像库中相应高低分辨率图像块之间的对应关系，由所获得先验知识来预测高分辨率图像。本文针对基于学习的超分辨率重建算法进行研究，融合图像分类技术对基于稀疏表示的超分辨率重建算法进行了创新及改进。本文主要研究工作如下：首先，简要介绍了目前常用的超分辨率重建技术，对重建基本思想做了简要说明，着重研究了基于学习的超分辨率重建算法，尤其是基于稀疏表示的超分辨率重建算法，并在其基础上提出了改进算法。第二，概述了图像特征提取及分类的基本原理与常用方法，着重研究了根据梯度特征和纹理特征对图像特征进行提取及分类的方法。根据图像分类理论，提出采用图像特征作为高低分辨率图像块对的结构表示基元，并通过结构表示基元训练出高低分辨率图像块对应关系。在基于稀疏表示的重建算法中，提出了一种基于图像特征对训练库图像进行分类的方法。第三，详细阐述了图像特征提取及分类在基于稀疏矩阵的超分辨率重建中的应用，提出将分类后特征图像用于超分辨率重建字典训练中。训练库图像分别通过图像纹理特征提取器和图像梯度特征提取器，生成两类特征图像库。通过方向角分别为0，30，60，90，120和150的Gabor滤波器提取图像纹理特征，通过八个方向梯度掩膜提取图像梯度特征，分别生成纹理特征库与梯度特征库。利用特征库训练字典，可分别生成纹理特征字典和梯度特征字典。最后，基于对现有超分辨率重建算法和图像特征提取及分类的研究和分析，提出基于特征分类和稀疏矩阵的图像超分辨率重建算法。在超分辨率重建过程中，逐块选取待重建图像块，根据图像块方差将图像块分为平坦区域和非平坦区域。对于平坦区域的图像块，判断其纹理特征属性，用纹理特征字典进行超分辨率重建；对于非平坦区域，提取梯度特征进行判断，采用梯度特征字典进行超分辨率重建。将重建小块联合起来得到重建的高分辨率图像。实验表明，利用字典分类方法所重建图像在边缘等一些细节部分，其图像质量均有较好改善，图像整体PSNR值也有一定的提高。