实时获取的高分辨率图像信息在医学治疗、视频监控、遥感卫星成像等领域发挥着十分重要的作用。然而,由于成像设备在获取图像过程中总是受到各种因素影响,如系统噪声、成像环境等,导致采集到的图像分辨率较低、画面质量较差。若采用改进硬件设备来提升分辨率这种传统手段,会造成设备体积增大、制造成本高、加工困难等一系列新问题。因此,在不改变硬件设备的前提下,人们想要通过软件方式来提升图像分辨率,超分辨率重建技术应运而生。然而,在多样化的超分辨率算法中,不管是单帧还是多帧方法都存在一定的不足。单帧方法处理时间快但重建效果不佳,多帧方法重建效果好但处理时间相当慢。在对图像进行高效重建时,特别是针对大尺寸、大信息量图像,这两种算法都无法很好地平衡分辨率的提升和处理时间的降低。为了在提升分辨率的同时也降低处理时间,文本对特定的超分辨率方法进行了研究,并提出一种将多帧与单帧相结合的高性能超分辨率重建算法。首先,深入研究变分贝叶斯多帧算法,将未知高分辨率图像、图像获取过程、运动参数及未知的模型参数建立统一的数学模型,对多帧图像的运动模型进行精确估计,实现超分辨率重建;且在该算法流程中,本文对输入的低分辨率图像提出了分块决策思想,利用Canny技术进行信息判断,信息少则简单重建,信息多则贝叶斯重建,在确保分辨率不受影响的情况下,降低了算法的处理时间。其次,深入研究字典学习单帧算法,利用主成分分析和K-mean及奇异值分解算法进行字典训练得到高、低分辨率字典,并利用正交匹配追踪算法进行图像重建。本文针对在字典训练过程中数据信息量过大的问题做了一定改进,引入核主成分分析算法实现数据压缩,有效提高算法的处理速率;并使用特定滤波器进行特征提取,获取更多的高频信息,有助于提高分辨率。最后,为同时提升分辨率和运行速率,特别是在处理大尺寸图像,本文提出了一种高性能超分辨率重建算法,即先进行多帧重建,再将得到的结果图进行单帧重建。在每一个重建环节中,本文都会对图像进行分割,并利用图像信息作为判定准则,对每一个图像块进行分析,信息多则使用复杂的重建算法(贝叶斯、字典学习),信息少则使用简单的插值算法,该方法不但能提升图像分辨率,并且还可以大大提高运行速度。本文分别对上述的贝叶斯方法、字典学习方法以及高性能方法进行了多组的图像实验并给出了实验数据的对比分析。在实验中,这些重建结果和实验数据都能很好地说明了本文改进方法的有效性和实用性,为现有超分辨率算法自身的不足以及所面临的问题提出了有益的研究思路。