超分辨率重建技术是指从单幅或多幅低分辨率图像中重建出一幅清晰的高分辨率图像的过程。传统的超分辨算法包括双线性插值、双立方插值、迭代反向投影、凸集投影法等，这些方法快速、简单、易实现，已被广泛地应用到超分辨重建中。但同时上述算法也由于其模型过于简单，使得重建图像的质量较低，因此大量的研究人员在不断寻求性能更好的超分辨方法。近年来在图像超分辨领域提出了基于学习的方法，通过学习高分辨图像与低分辨图像之间的关系实现图像的超分辨重建。该方法重建准确且鲁棒性强，已成为超分辨重建研究的重要方向。本文即是在基于学习的框架下，将外部样本学习和内部样本学习结合起来，研究图像和视频超分辨重建的方法，主要工作包括如下几点：(1)针对传统的基于学习的算法对训练样本集极度敏感，重建结果不稳定的特点，提出一种基于双字典学习的图像超分辨重建方法。该方法通过外部训练样本集和内部训练样本集得到多组重建结果，并通过低秩分解的方式进行融合，相较于单字典学习策略可以获得更稳定的重建结果，而且在细节信息的重建效果方面也有所提高。实验表明所提出算法不论在视觉效果还是客观评价上，相比单字典学习均有所提高。(2)针对视频超分辨问题，从视频背景建模入手，提出一种基于信息补偿的视频背景建模方法。该方法在基于低秩的前后背景分离算法基础上，引入信息补偿的策略，从而可以获得更好的背景建模结果。实验表明提出算法重建的背景图像较原有基于低秩的背景建模方法可获得细节更丰富的背景图像。(3)提出一种基于邻域双字典学习的视频超分辨重建算法。视频与单幅图像相比，相邻帧之间存在丰富的冗余信息。本方法将邻域帧的信息引入到双字典学习模型中，并将其应用在视频的超分辨重建过程中。实验结果表明所提出方法较双字典学习算法可以获得更好视频超分辨效果，重建视频的高频信息更加丰富。