图像超分辨率重构是图像降晰过程的逆过程，通过一幅或几幅低分辨率图像来获得一幅高分辨率图像。模糊、扭曲、偏移等降晰因素导致图像损失了很多高频信息，因此超分辨率问题是一个病态问题。求解高分辨率图像可以看作是缩小图像解空间进而确定最优解的过程，如何缩小解空间进而寻求最优解是解决这个问题所追求的方向。 图像超分辨率病态问题求解的约束信息主要包括降晰过程和图像内部像素分布规律，图像超分辨率方法因此分为两大类：识别约束降晰过程的方法和描述图像内部像素规律的方法，也有很多算法综合二者考虑。 本文主要研究基于图像局部结构相似性的超分辨率算法。其主要思想图象内部存在着大量相似局部结构，并且结构相似性在多尺度上有着良好的保持，利用这一性质可以增加更多的约束信息来求解超分辨率问题，重构更为清晰的边缘。研究的主要内容包括： 基于图像局部结构的相似性和在不同分辨率尺度上的相似保持，提出了利用局部结构相似性来约束超分辨率问题的思路。我们根据相似判断规则发现图像中的相似区域，根据相似程度生成多幅相似图像，从而可以利用图像序列超分辨率的算法来求解，最后给出了最大后验概率意义最优的单幅图像超分辨率方法。随后把图像局部结构的相似性引入到图像序列超分辨率过程中，用于处理配准结果可信度过低的图像局部，给出了一种比较鲁棒的图像序列超分辨率方法。 接下来考虑到采样过程对图像质量的影响，把多核插值滤波器估计方法引入到重复背投影的计算框架下，假定图像背投影具有局部性，根据对应的高低分辨率图像进行背投影核的识别，然后在重复背投影的框架下采用多背投影核对特定应用领域的图像进行超分辨率计算。 最后分析了已有的基于学习的图像超分辨率方法，针对一般的的基于学习的超分辨率方法在低分辨率空间聚类带来的类型混淆，提出了改进的基于学习的重构算法，该方法考虑在高分辨率空间对图像局部结构进行聚类，基于此聚类估计多核插值滤波器参数，然后使用相应的类插值滤波器来估计高分辨率图像。同时，借鉴区域连接增长的思想来处理分类的歧义问题，解决类型归属导致竞争冲突，从而得到鲁棒的超分辨率结果。