图像的超分辨率重建，是通过融合同一场景下具有相互位移的多帧低分辨率图像间的非冗余信息，并在融合的过程中尽可能消除模糊以及噪声等多种降质因素对图像质量的影响，重建得到一帧高分辨率图像，获得更多的图像细节信息。由此在现有成像系统的基础上，突破硬件设备的物理限制，提高图像的分辨率。超分辨率重建在视频监控、遥感、医学、高清电视等诸多领域具有广阔的应用前景，对其的研究具有重要意义。　　超分辨率重建方法的核心是，通过求解泛函反问题，获得最佳的信息估计。因此，约束迭代逼近于正确的高分辨率图像的条件，即正则项的确定是获得好的重建效果的关键，为此，本文以正则项的选取为主线，对几种常用的正则项进行了分析比较，和大量的测试实验论证，并总结了不同正则项的选择对正确解约束的优缺点。在此基础上，选择有边缘保持性能，且满足严格凸性的Huber-Markov随机场（HMRF）模型作为正则项，针对基于HMRF模型中Huber惩罚函数阈值的选取问题，根据该函数与图像梯度分布特性间的相互关系，提出了一种依据图像梯度统计特性，在超分辨率重建迭代过程中，动态确定罚函数阈值，以保证超分辨率重建结果的正确性。实验结果表明，本方法可根据不同图像的边缘特性，自适应确定Huber惩罚函数阈值，在有效抑制噪声的同时，很好地保持重建图像的边缘和细节信息。　　此外，图像质量是评价各种图像超分辨率重建算法性能优劣以及重建效果好坏的一项重要指标。建立有效的图像质量评价方法，对于超分辨率重建算法的研究具有重要的意义。另外在图像重建的实际应用中，无参考图像质量评价方法的研究更具实用价值。针对目前无参考图像质量评价方法存在着只适用于某种特定失真类型的问题，本文提出了一种无参考图像质量评价方法，利用高阶统计量峭度来表征图像质量，并结合图像边缘强度来定量的描述图像特征，实验结果表明，本方法能够对包含模糊以及噪声等多种失真因素的重建图像的质量进行有效评价。