图像超分辨率重建是指在不增加成像设备等硬件成本的前提下,对输入的一幅或多幅低分辨图像,利用已有的数字信号处理方法来提高其分辨率,从而重建出分辨率比较高的图像的一种图像处理技术。它不仅能改善图像视觉效果,而且有利于图像的进一步识别和处理。目前,随着机器学习与模式识别等领域内理论的不断发展,而基于学习的方法是解决该问题的一种有效的方法。其中支持向量回归和稀疏表示作为两种较好的学习方法,受到研究人员越来越多的关注。本文主要以基于学习的方法的思想框架为研究主线,重点研究了支持向量回归和稀疏表示这两种学习方法的相关理论,详细介绍了算法原理,并提出了一种稀疏域下基于支持向量回归图像超分辨率重建的改进算法以及结合调整核回归约束的进一步优化算法。现有的使用支持向量回归进行图像超分辨率重建的算法,一定程度上能改善重建质量,但由于利用的是图像自身冗余信息来进行重建,因此重建效果还有待提高。本文提出一种基于聚类稀疏和支持向量回归的算法来进行改进。首先,利用训练图像的数据进行聚类,并得到相应的稀疏子字典,然后根据训练图像的低分辨率图像块和高频图像块的稀疏表示系数建立相对应的支持向量回归模型,最后将测试图像利用训练模型进行高分辨率图像重建。实验仿真验证了该算法在图像重建的质量上有一定的改进。在核回归理论中,调整核回归函数能动态的调整核函数的形状,从而更好在抑制噪声同时尽量保持图像的边缘信息。把调整核回归作为图像超分辨重建的正则化约束条件将会对重建质量有所提高,尤其是对有噪声污染的图像,改善效果更加明显,相关的实验验证了优化算法的有效性。