随着计算机和多媒体技术的发展，医学影像、视频监控、卫星遥感、电视广播、计算机视觉等各种多媒体应用对高质量图像和视频提出了广泛的需求。高质量的图像能够提供更丰富的信息和更真实的视觉感受。然而在图像获取过程中，受到图像采集设备、采集环境、噪声等因素的影响，在接收终端呈现的图像往往是低质量的图像。因此，如何通过低质图像重建高质量的图像，一直以来都是图像处理领域所致力解决的问题。　　亮度动态范围和空间分辨率是衡量图像质量的两个重要指标。图像的亮度动态范围指最亮区域和最暗区域的亮度对比度。动态范围限制了自然场景中极亮区和极暗区细节在一幅图像中同时展现的能力。空间分辨率指图像对单位面积场景采集的像素数量，是衡量图像空间细节表现力的参数。　　本论文围绕高对比度场景成像和高分辨率图像重建问题开展初步研究，取得了以下三方面的创新性研究成果:　　(1)针对多曝光图像融合过程中存在的亮度反转问题，提出了一种基于分层的多曝光图像融合算法。算法采用了整体亮度信息和局部细节信息相结合的方法。通过引入表征全局信息的基本层，确保输入图像具有较大曝光时间差时，合成结果图像中不出现亮度反转问题;细节层由双边滤波器获得，能保留较好的细节信息。　　(2)针对鲁棒的多曝光图像融合方法时间复杂度较高的问题，提出了一种基于梯度域的多曝光图像融合方法。受到泊松图像编辑的启发，该方法在确保合成图像鲁棒性的同时，在梯度域进行基本层和细节层信息的融合。实验结果表明该算法是一种快速鲁棒的多曝光图像融合方法。　　(3)针对高动态范围高分辨率图像的联合重建问题，本文提出一种基于学习的联合重建方法。算法分为离线训练阶段和在线重建阶段。离线阶段，算法通过双边滤波器分别对高、中、低亮度区采集成对的学习样本，并进行聚类和学习获得重建模型。在线重建部分，则通过预测器对低分辨率、低动态范围图像进行高分辨率、高动态范围的联合重建。本文提出的方法在基于学习的框架中，为高质量图像的联合重建提供了新思路。