高分辨率视频能够为目标或场景提供更多的细节,而这些细节在安防、医学和遥感等涉及识别、理解与分析的领域有着不可或缺的作用。因此,对于视频超分辨率重建技术展开深入研究具有重要的理论研究意义和实际应用价值。本文重点围绕基于稀疏表示的视频超分辨率重建方法展开研究,提出了引入邻域先验信息的学习字典训练方法,并将该学习字典应用于视频超分辨率重建,有效提高视频超分辨率重建质量;进一步针对噪声对视频的影响,提出引入低秩矩阵分解融合邻域先验信息的方法提高视频帧的分辨率。本文的工作主要体现在以下三个方面:(1)学习并研究了几种经典的的超分辨率重建方法,主要包括基于小波变换方法、基于插值方法和基于稀疏表示方法等,并且分别进行了数值实现和实验结果的对比分析。(2)提出一种引入邻域先验信息的训练样本集构建方法,该方法首先提取待超分视频帧的特征点,并以特征点为中心取块;其次筛选邻域帧中对应待超分视频帧特征点附近的结构相似块;最后将待超分视频帧内和邻域帧内以特征点为中心的结构相似图像块组成训练样本集合。基于上述结构相似图像块组成的训练样本集合训练融合了邻域先验信息的学习字典,并将其应用于视频的超分辨率重建。实验结果表明,引入邻域先验信息是有效提高视频超分辨重建质量的途径之一。该方法训练出的学习字典在训练过程中算法复杂度较低,而且将该字典应用于视频超分辨重建可有效提高视频的分辨率。(3)为了克服噪声等冗余信息对视频质量的影响,利用低秩矩阵分解模型去除视频帧中的噪声和冗余信息,进一步融合基于邻域信息引入的稀疏表示超分辨率方法。该方法能够克服自然或人为噪声对视频的影响,且视频超分辨率重建质量有所提高。