图像的分辨率决定了描述图像细节的丰富程度,因此对于现有图像,如何提高它的分辨率,是当前图像处理技术研究的热点。为了不增加硬件成本,在现有图像的基础上提高图像分辨率,研究者们提出了超分辨率重建技术。超分辨率重建技术是一种基于软件方法的图像处理技术,该技术根据处理方法不同大致可以分为:插值重建,约束重建和基于学习的三种方法。插值重建方法简单易于实现,但该方法重建出的点只是周围点加权求和获得,图像的信息熵并没有增大,对图像细节描述没有增强。约束重建是一种利用多帧图像进行融合重建一幅新的高分辨率图像的方法,相比重建前的单帧低分辨率图像的信息熵有增大,但该算法在较大倍数的图像重建和低分辨率图像较少的条件下,重建效果严重下降。基于学习的方法是近些年来出现的一种新的重建技术,该类方法选取与待重建图像含同类信息的图像作为训练样本,从大量的训练样本中获取先验知识作为超分辨率重建的依据。在重建时,以待重建图像为依据,用学习过程中获得的知识对待重建图像中的信息进行补充,利用了图像本身的先验知识,可以在单帧输入图像的情况下重建出高分辨率图像,并且克服了约束重建方法中提高重建倍数方面的局限性。基于学习的方法主要有Freeman的基于样例方法、Chang的邻域嵌入方法和Yang的基于稀疏表示方法。本文主要研究的是Yang的基于稀疏表示方法,其主要有字典训练和图像重建二个过程。在字典训练中,采用联合训练高、低分辨率块的方法,保证低分辨率块在低分辨率字典下的稀疏表示系数与其对应的高分辨率块在高分辨率字典下的稀疏表示系数相同,在图像重建过程中,输入的低分辨率块,求解其在低分辨率字典下的稀疏表示系数,然后使用该系数和高分辨率字典重建出相应的高分辨率块。本文在Yang的方法上进行了改进,该方法使重建过程中的约束条件与字典训练过程条件一致。联合高、低分辨率块求取稀疏表示系数,即使用初次重建出的高分辨率块和输入的低分辨率块在联合字典下再次稀疏分解,用联合分解出的新系数和高分辨率字典重建出新的高分辨率块,并且可多次迭代。在自然图像重建实验中,本文改进的方法在目视效果和PSNR及SSIM二项指标值上都比Yang方法更佳。并且本文将超分辨率重建技术应用于字符图像的识别,根据字符图像的特点设计了三组测试实验,实验结果显示超分辨率重建技术可以改善字符图像分辨率从而提高识别率,并针对该实验结果给出了超分辨率重建技术在字符图像识别应用中的可行方案。最后还通过不同样本之间交叉重建对比实验,显示出学习方法获得的字典具有自适应性,但是重建出的图像在视觉上的改变不大,这是研究成果到实际应用场景中的阻力,可能也是继续研究的动力。