随着计算机以及互联网技术的日新月异的发展,网络上出现了大量的多媒体信息(如视频、图像、声音等),这些复杂多样的数据将人类带入到了计算机网络大数据时代。而这些信息数量庞大并且占用内存空间多又不便于存储和传输,如何从互联网上将这些繁冗的信息进行有效的检索、保存、挖掘其中蕴含的科技、商业和生活价值,成为如今需要人类急切处理的问题。人类是通过五官的感觉去获取信息的,而人类接收、感知周围环境事物的主要手段是视觉和语音信息。据最新研究统计,人类视觉所获得的信息占人类所有获取信息的接近百分之八十[1]。俗话说:眼睛是人类心灵的窗户,人眼看到的信息容量大、范围广。对于信息的采样及恢复,传统的Nyquist采样定理[2]给出了传统的框架,并确定了能够准确恢复原始信息的条件,即采样的频率应大于信号带宽的两倍以上。由于原理条件的限制及信息本身的特点,给信息的存储、传输等方面带来的困难在迅速增加。近年来,稀疏表示(Sparse representation)理论的出现引起了研究人员和学者的特殊关注。稀疏表示原理避免了传统的Nyquist采样原理的限制,将信号投影到特定的变换域,并根据信号在该域内的特有的稀疏特点及优化方法,达到恢复出原有的信号的目的。近几年来,机器学习、人工智能以及模式识别等技术引起人们的高度关注,本文在稀疏表示原理的基础之上,融合机器学习、人工智能等相关领域的知识,给出了一种基于特征学习的图像超分辨率重建算法。针对典型的特征提取算法提取的特征长度大,算法运行时所占用的空间多,导致算法运行时间长计算复杂度高的限制。在字典训练过程的特征提取阶段,本文通过提取图像的中频特征进行处理来减少运算时间,提高其运行的效率。并采用现今非常流行的效率较高的K-SVD方法进行字典的训练,并在字典训练之前采用PCA(Principal Component Analysis,PCA)[3]方法进行特征块的降维,来进一步降低算法的复杂。最后在重建阶段采用Batch-OMP算法进行稀疏稀疏的编码计算,提高了算法的精确度和重建图像的品质。