视觉是人类获得外界信息的重要途径,而视觉最主要的观察对象是带有各种信息的图像,因此图像成为了人类获取信息的主要载体。在现实生活中,由于成像设备、设备硬件制造过程和信息传输条件的限制,通常人们得到的图像的分辨率较低,而低分辨率图像包含的信息较少,不能满足人们在某些领域的应用,比如视频监控、医学检测等领域。图像超分辨率技术的出现极大地解决了上述存在的问题,从软件方面提高了图像的分辨率,使得人们可以最大限度地从图像中获取信息,满足人们对大量信息的需要,目前成为了人们研究的热点。图像超分辨率技术就是利用一幅或多幅同一场景中的低分辨率图像作为输入,并根据图像的先验知识,重建出高分辨率图像的技术。本文主要对图像超分辨率算法进行了研究。首先介绍了超分辨率技术的研究背景及意义;然后讲述了三类超分辨率方法;接着对本文用到的稀疏表示模型进行分析;最后针对图像块在同一类内进行字典学习所存在的不足,提出了梯度先验和稀疏表示相结合的图像超分辨率算法。本文的主要贡献在以下两个方面:(1)将图像块的梯度先验信息引入到图像块的分类模型中。在对图像块进行训练之前,本文利用图像块的梯度先验信息作为分类依据,对图像块进行分类,使得相似的图像块可以分在同一个类内。(2)对字典训练的过程进行了优化。本文改进了基于稀疏表示的字典学习方法,仅仅对高分辨率字典采用学习的方法得到,而低分辨率字典的获取通过对高分辨率字典提取特征得到,因此大大减少了字典训练过程中的时间复杂度。利用所提出的算法对几幅图像进行仿真实验,实验结果表明,该算法可以对图像质量进行改善,同时图像的PSNR和SSIM值也有所提高。