高分辨率图像因包含丰富的图像细节信息,在多媒体与科研领域等诸多场合有着重要的应用价值。超分辨率重建技术是指将低分辨率图像(Low-Resolution,LR)重建为对应场景下高分辨率图像(High-Resolution,HR)的软件处理方法。该技术在一定程度上降低了硬件成本,具有广泛的应用价值,已经成为计算机视觉领域重要的研究方向之一。本文对国内外当前图像超分辨率技术的研究进展进行了分析与总结。在此基础上,从稀疏表示与深度学习理论两个方向上,对现有技术方法进行分析后提出了对应的改进方法。(1)基于共享空间稀疏表示的单幅图像超分辨率方法高、低分辨率图像在空间关系上存在着很多的相似性,为了增强两者之间的关联性,本文提出了一种基于共享空间稀疏表示的单幅图像超分辨率方法。本算法应用典型相关分析建立图像块对之间的联系,在共享空间中进行稀疏系数的求解。采用在线字典学习方法训练过完备字典,很好的改善了字典的训练速度。图像重建时,应用主成分分析方法对图像特征进行降维,以提高图像的重建速度。另外,本文应用了一种基于图像先验的图像后处理方法,消除了图像主要边缘处的模糊与伪影,进一步改善了图像质量。实验分析表明,本方法大大的提高了图像重建的执行速度并取得了很好的视觉效果。(2)基于深度卷积网络的单幅图像超分辨率方法为了减少传统方法繁琐的图像重建处理流程,突破对图像重建质量的约束,本文提出了一种应用多模型卷积神经网络的图像超分辨率改进算法。本方法旨在应用卷积神经网络学习到端到端的图像超分辨率框架。通过将具有不同感受野大小的卷积网络模型进行组合,利用卷积核的多样性充分提取图像的特征。与其他优秀的超分辨算法比较,实验结果表明该模型对单幅图像有很好的重建能力并加快了训练阶段的收敛速度。