图像超分辨率是一种改善已有的低分辨率图像视觉效果的图像处理技术。旨在从一幅或者多幅低分辨率观测图像中重建出具有较高质量的高分辨率图像。近几年,随着机器学习和模式识别技术的发展,基于样本学习的图像超分辨率算法得到了高度关注,其中,基于混合样本学习的超分辨率属于最新发展起来的方法,是目前能取得较好重建效果的算法中的一种。本文以外部样本与自样本的融合为切入点,利用混合样本的非冗余特性,分别结合稀疏表示理论和深度学习方法,研究基于非冗余信息学习的图像超分辨率算法。本文首先介绍了稀疏表示、字典学习与卷积神经网络理论,主要包括三方面的内容,第一部分介绍了图像退化模型,进而引出稀疏表示理论;第二部分介绍了浅层学习中的两种不同的字典学习方法:PCA分类字典学习方法和K-SVD字典学习方法,并分别总结其优缺点;最后一部分介绍了深度神经网络理论,包括卷积神经网络(CNN)和稀疏卷积神经网络(SRCNN)两种不用的网络。由于低分辨率图像产生过程中缺损信息繁杂以及降质模型未知等原因,导致图像超分辨率过程是严重不适定的病态问题。提出了基于混合样本和稀疏表示的图像超分辨率算法。首先介绍混合样本选择思想,根据混合样本的非冗余互补特性选择相应的训练方法。在字典训练阶段采用K-SVD字典训练方法对不同类的样本集训练得到多个紧凑的非冗余子字典。再利用正交匹配追踪(OMP)算法选择与每一个输入图像块最相似的子字典,并计算每个输入图像块的稀疏表示系数,用于重建高分辨率图像。大量实验结果验证了所提算法的有效性。针对浅层学习方法学习能力有限以及由浅层学习方法重建的高分辨率图像中缺失大量细节问题,提出了基于混合样本和深度卷积神经网络的图像超分辨率算法。采用残差学习策略学习高、低分辨率样本之间的残差,同时引入细节学习,对于网络的输入,提出了结合自样本与外部样本的混合样本,分类混合样本的加入增加了训练集的非冗余度,并加入细节分量约束。将批归一化和残差学习整合在一起,以加快训练过程并提高超分辨率性能。此外,大量的实验结果表明,所提出的方法在主观和客观上均能产生较好的图像超分辨率性能。