现代社会中,图像是人们从外界获取信息的一种主要方式。高分辨率图像包含了丰富的细节信息和色彩,在医疗诊断、智能设备、视频监控等领域可以发挥出非常重要的作用。然而,在某些情况下,由于成像系统和成像环境的限制,我们只能获得低分辨率的图像。而较低的图像分辨率会给各种图像处理系统带来很大的挑战,造成图像处理系统性能下降。因此,如何提高图像的分辨率一直以来都备受关注。图像超分辨率重建是指利用图像处理技术,从给定的低分辨率图像中重构出相应的高分辨率图像。近几年,基于深度学习的图像超分辨率方法获得了很高的超分辨率重建质量,但是深度神经网络的训练需要占用大量的计算资源（包括内存,CPU的计算能力等）。宽度学习系统是一种扁平结构的单隐层神经网络,其隐层包含数量较大的神经元。宽度学习在图像处理领域中得到了广泛应用。本文基于宽度学习系统,研究了图像超分辨率问题,主要工作如下:首先,提出了一种基于迭代反投影预处理的宽度学习超分辨率算法。在训练阶段,该算法首先利用迭代反投影方法对双三次插值之后的低分辨率图像进行增强,然后,将增强的图像与高分辨率图像作差得到残差图像,最后利用宽度网络建立增强之后的低分辨率图像块与残差图像块之间的映射关系。在重建阶段,将经过迭代反投影增强的低分辨率图像输入到训练好的宽度网络中得到相应的残差图像,然后将残差图像与增强后的低分辨率图像相加得到重建的高分辨率图像。实验结果表明,该算法可以有效提高重建图像的质量。其次,由于图像内在的结构和模式比较复杂,单一模型不能很好地刻画低分辨率图像块与高分辨率图像块之间的映射关系。为此,本文提出了一种基于K-means聚类的子空间图像超分辨率算法。首先,该算法利用K-means聚类方法对低分辨率图像块进行聚类,将低分辨率图像块划分成K个子空间。然后,对每个子空间,采用宽度神经网络建立低分辨率图像块与高分辨率图像块之间的映射关系。在重建阶段,根据低分辨率图像块与每个子空间中心的距离确定该低分辨率图像块所属的子空间,然后利用该子空间的宽度网络模型得到对应的高分辨率图像块。与单一模型相比,多宽度网络模型有效提升了超分辨率重建过程的自适应性。实验结果表明,所提的算法可以生成细节丰富的高质量图像。最后,为了提高宽度学习网络图像超分辨率重建的质量,提出了一种基于图像非局部自相似性的质量增强后处理方法。该算法在宽度学习网络重建的高分辨率图像基础上,充分利用图像中的冗余信息,对图像的细节进行了增强,并进一步去除了伪影。实验结果表明,所提算法可以生成边缘锐利、纹理清晰的高分辨率图像。