在这个不断变化的时代,人类社会在各方面不断地发展,简单的图像已经不能满足人们的所有需求。数字图像处理技术的出现,满足了不同人群的不同图像处理要求。在很多数字图像应用领域,我们往往希望得到高分辨率的图像。图像的高分辨率就说明在一幅图像中,图像的像素密度更高。高分辨图像可以提供更多的图像细节信息,这些细节信息对于数字图像应用领域,可能起着至关重要的作用。因此,寻找一种有效的方法来提升图像的分辨率非常重要。图像超分辨技术就是研究通过一幅或者多幅低分辨图像,估计出一幅高分辨图像的技术。与有多幅低分辨图像输入的情况相比较,由于图像超分辨过程中的模糊核是未知的并且缺乏足够多的低分辨图像信息,只有一幅图像输入的情形更复杂。处理图像超分辨问题可以从三个方面来考虑:插值方法、学习方法以及重构方法。基于插值方法的图像超分辨技术需要建立插值函数,然后利用插值函数从给定的一幅低分辨图像估计出一幅高分辨图像。基于学习方法的图像超分辨技术是通过机器学习建立低分辨图像数据集合与高分辨图像数据集合之间的对应关系,实现图像超分辨的过程。严格来说,由于引入了额外的训练集信息,基于学习方法的图像超分辨技术不属于单图像超分辨方法。基于重构的图像超分辨技术是通过研究高分辨图像在低分辨图像下的表现形式,建立模型,实现图像超分辨过程。本文主要研究基于重构方法的图像超分辨技术。本文受到快速上采样方法的启发,考虑了图像超分辨过程中模糊核未知的情形,提出了一种基于去卷积以及核估计的快速单图像超分辨方法。在去卷积的过程中,我们采用了一种快速全变差去卷积的方法,有效的提升了算法的运行时间。此外,由于在图像超分辨的过程中,模糊核是未知的,我们考虑在算法的迭代过程中,不断的修正模糊核,缩小模糊核与真实情况之间的差距。在数值实验部分,我们将本文提出的方法与几种经典的图像超分辨处理方法进行了比较。实验验证了所提出方法在提升高分辨图像视觉效果和计算加速方面的有效性。