高质量高分辨率的图像在如今社会的各个领域都是迫切需求的,为了获得高分辨率的高质量图像,近年来图像超分辨率重建技术有了广泛的研究,图像超分辨技术也达到了一个顶峰,各种方法层出不穷。但是相比自然图像处理,遥感图像的超分辨技术还存在很多难点。尤其是SAR受到诸如硬件系统限制、平台非理想工作、成像条件不理想及系统相干斑噪声等因素影响,所获得的SAR图像分辨率较低,难以满足科研和应用需求。那么能否结合SAR图像的特征来实现SAR图像的超分辨呢?并且超分辨技术能否对其他计算机视觉领域的问题带来促进和帮助呢?本文正是结合这两个问题,深入分析现有的超分辨方法,研究SAR图像超分辨技术,然后在此基础上对超分辨方法在图像分类中的应用进行了探索,最后结合超分辨方法提出了一种图像分类方法。一、实现了一种基于联合优化的SAR图像超分辨算法。结合SAR图像结构复杂多样的特点,对于不同结构的图像块学习多个字典,利用EM算法,经过多次迭代同时优化多个字典,使得训练出的字典对低分辨图像块有更精确地超分辨复原。对于测试时的每个低分辨图像块算法会自适应的为每块低分辨图像选择最合适的字典进行超分辨重构。最后聚合得到的高分辨图像块得到高分辨率的SAR图像。二、探索了图像超分辨方法是否对图像分类问题有促进作用。通过一系列实验探索了基于压缩感知的超分辨方法对于图像分类的影响。本文的策略是将图像的超分辨作为图像的预处理然后进行分类。在遥感数据集和光学数据集上分别做了3组实验,分别是下采样后的低分辨图像进行分类,第二组是用BICUBIC方法进行超分辨然后进行分类,最后一组是基于压缩感知的超分辨方法进行超分辨然后进行分类。实验表明超分辨对于分类问题有较好的促进作用,一定情况下可以提高分类的正确率。三、基于上一章的工作,提出了一种基于深度自编码的多尺度分类算法。利用超分辨方法生成两个尺度分辨率的图像,结合深度学习,对低分辨图像和高分辨图像分别构建两个深度自编码网络,利用典型相关分析,共同训练两个网络使两个网络得到的特征相关性最大。但是在测试时只有低分辨率的图像,训练好的网络根据低分辨图像的特征推断出对应的高分辨图像的特征,结合两个分辨率图像的特征然后进行分类。实验证明我们的方法在多个数据集上都有很好的效果。