由于物体的相对运动而造成拍摄得到的图像运动模糊在实际生活中数不胜数。人们总是希望获得高质量的、高分辨率的图像。但实际环境下，由于现有的图像采集技术和图像后处理技术以及外界因素的影响，使得最终得到的结果不尽人意。而实际应用中又需要这些高质量的图像，于是如何获得高分辨率图像一直是图像处理领域的热点和难点。
　　本文的研究内容是运动模糊图像的超分辨率复原，相比于一般超分辨率重建技术，我们要解决的不仅是分辨率提高，而且关注去运动模糊的过程。简而言之，我们的研究对象是运动模糊图像的超分辨率复原的整个过程。
　　首先本文系统地讨论了几种常见的运动模糊形式，在这些运动模糊形式中选取了一种常见的运动模糊形式——匀速直线运动模糊。对其模糊核的估计作了详细研究，由于这种类型的运动模糊有确定的参数形式，即模糊长度和模糊方向。而传统的方向微分方法估计模糊方向在实际应用中容易受到图像的形状和纹理的影响，有很大的局限性，本文提出了利用局部方差有选择性地截取若干合适的图像块进行模糊方向估计，实验表明这样的改进可以明显地提高估计精度。模糊核的估计是我们研究内容的一个重要的前提工作，因为模糊核的估计准确性直接关系到后面的工作。
　　接着本文讨论了多帧的超分辨率复原问题，详细介绍了估计的稳定性问题，包括稳定的估计子、稳定的数据约束项和稳定的正则化项。只有稳定的估计才能将异常值的影响降低到最小。在这其中，本文将目前流行的图像自然属性加入到稳定的数据约束项中，实验表明相比于一般重建方法，我们的方法在视觉上和峰值信噪比上都有明显的提高。
　　与此同时本文还讨论了单帧的超分辨率复原问题，由于实际中获取具有子像素运动的多帧图像非常困难。多数情况下，我们只能对单帧图像进行处理。本文将该问题的解决分为两个步骤。一步是反卷积去模糊，另一步是分辨率提高。在这两步中我们主要讨论了基于稀疏先验的反卷积去模糊，在这里异常值的影响同样不可忽略，因为现有的假设模型都是线性模糊模型和高斯白噪声模型，而异常值可能破坏这些假设。我们提出的解决方式是将图像的像素分为异常值和非异常值，分别进行处理。解决分类的方法采用了机器学习的EM算法。实验表明这种处理方式可以有效地解决带异常值的图像去模糊问题。最后，本文总结了研究工作并提出了未来展望。