指静脉特征识别技术凭借其安全性、易获取性、唯一性等优势在生物特征识别领域逐渐成为一个研究热点。但是限于拍摄环境、硬件系统和硬件成本,得到的图像其分辨率往往无法达到预期目标,分辨率低下的图像会严重影响识别系统的识别率。高分辨率图像拥有大量的图像细节,细节信息携带了丰富的图像特征,这对于指静脉图像的识别率至关重要。在这种情况下,通过基于学习的算法将低分辨率的图像转化为高分辨率的图像是一个可行的方案。图像超分辨率重建可以有效地将低分辨率图像转化为高分辨率图像,从而改善识别系统的识别率。针对图像超分辨率重建技术,本文做了如下工作:（1）邻域嵌入超分辨率重建算法是基于学习的超分辨率重建算法中最有效的算法之一,但是该方法在图像重建时仅仅简单的使用KNN近邻搜索寻找测试图像的邻域集,并未充分利用训练集。当训练集中不存在与测试图像非常相似的图像时,其结果仅仅是在现有训练集中找到的与测试图像的欧氏距离最小的K个图像,这导致重建的高分辨率图像很可能不尽如人意。针对该问题,本文提出了改进的邻域嵌入算法,该算法在邻域嵌入算法中使用了邻域重建算法,能够对测试图像的邻域集进行重建,找到与测试图像更加相似的邻域图像,从而提高重建的性能。仿真实验表明,本文算法提高了图像重建的性能,并在指静脉识别率上有了一定的提高。（2）邻域嵌入超分辨率重建算法有很好的重建性能,但是该方法存在大量的矩阵运算且训练和重建阶段不可分离,这些因素导致其时间复杂度过高。因此,本文研究了基于深度学习的超分辨率重建算法。现有算法大都基于残差网络,然而这些算法只利用了浅层特征和深层特征来进行超分辨率的重建,并没有充分利用残差网络的局部特征信息来进行图像重建。针对上述问题,本文提出了改进的WDSR（Wide Activation Super-Resolution）算法进行指静脉图像的超分辨率重建。该算法能够自适应的利用深度神经网络的局部特征信息来进行指静脉图像的超分辨率重建。仿真实验表明,本文提出的算法比现有的算法在图像重建性能上有了一定的提高,同时比邻域嵌入的超分辨率重建算法在时间复杂度上有一定的降低。