超分辨率图像重建是指从一系列有噪声、模糊及欠采样的低分辨率图像序列中恢复出一幅高分辨率图像的过程。本文首先探讨了超分辨率图像重建研究的发展过程,根据超分辨率重建技术的基本原理和相关内容,总结出两类比较常用的图像观测模型。根据图像可周期拓展的性质,本文对图像的观测模型进行变换,将超分辨率图像重建过程分解为两个子过程,即观测数据融合过程和滤波估计去模糊过程。这在保证重建质量的前提下,有效降低了编程复杂度和计算代价。作为超分辨率图像重建的基本出发点,在图像配准上,本文介绍了D.Keren高斯金字塔配准法,并探讨了另一种基于光流场分布,采用区域统计来获得可精确到亚像素级运动估计的确定性光流配准法。在观测模型和图像配准的基础上,分别研究了移动曲面拟合、自适应滤波-最小均方估计、最大后验概率框架、图像先验模型和正则化在超分辨率图像重建中的应用。研究过程中,重点针对传统的基于最大后验概率框架的算法所采用的会导致重建图像细节损失的Gaussian模型作为图像先验模型的问题,提出采用Huber-Markov随机场模型作为图像的先验模型,并对无方向的HMRF模型进行改进,提出了具有方向性平滑约束的DHMRF模型,融入到正则化项中,一方面保证病态问题求解的收敛性和稳定性,另一方面更多地保存图像内物体的边缘信息。实验结果表明,本文方法弥补了HMRF模型的无向性,使得最终的重建图像不仅能有效抑制噪声和模型误差,而且能更好地保留图像细节,提高重建图像质量。