数字图像作为信息传播的一种主要载体,其分辨率的高低直接影响人们对图像中信息的获取,由于受到成像设备和环境等因素的制约,在某些场景中很难获得高清图像。图像超分辨率重建是指通过软件的手段,从一幅或者多幅低分辨率图像中重建出高清图像的技术,由于不受硬件和环境等因素制约、成本低等优点成为目前的研究热点。本文在研究图像超分辨率重建的基础上,对基于稀疏表示的单幅图像超分辨率重建进行了深入研究,主要研究内容如下:(1)在研究基于稀疏表示的单幅图像超分辨率重建过程中,发现大多数基于稀疏表示的图像超分辨率重建,是通过提取低分辨率图像中的高频信息来重建图像,这种简单通过低通滤波器的方式得到低分辨率图像高频信息,虽然避免了平滑区域对重建的不利影响,但没有充分利用低分辨率图像中的信息。因此,提出一种采用图像块的全部信息来重建图像的方法,使用块结构稀疏度去分析图像块结构,对有重建意义的图像块进行重建,这样既充分利用了低分辨率图像中的信息,又避免了图像平滑区域对重建的不利影响,最后通过实验证明提出方法的有效性。(2)稀疏域自适应模型中,直接采用K均值聚类后的聚类结果作为子训练集,没有考虑到训练集中的异常数据和K均值聚类算法的全局搜素特性,导致聚类后的数据中存在异常和边缘数据。因此,使用支持向量数据描述来优化聚类后的数据,同时更新聚类中心,不仅提高了子字典的精准度,同时也使得图像块匹配的子字典更准确,最后通过实验证明提出方法的有效性。(3)在研究基于稀疏表示的图像超分辨率重建正则化过程中,发现非局部自相似性正则化能很好的重建图像的纹理信息,但对边缘等细节信息处理不足;而全变分正则化能很好的处理图像的边缘等细节信息,但纹理区域处理效果较差的问题。提出一种正则化自适应方法,通过块结构稀疏度分析图像块的结构,根据不同的图像结构加入不同的正则化约束,充分利用了这两种正则化的优势,提高了重建质量,最后通过实验证明提出方法的有效性。