近年来,计算机视觉方面的研究越来越受到计算机科学家们的重视,尤其是低阶视觉问题的一些基本问题,例如:图像的超分辨率,图像的重构,消除噪声等。同样在现实生活中,低阶视觉在天文学、遥感图像、医疗图像,网络应用等领域获得了广泛的应用。本文主要讨论了低阶视觉中的两个重要问题:图像的超分辨率与面向压缩图像的图像重建研究。这两种方法目的都是为观察者提供高分辨率,高质量的图像。因此,它涉及的是低阶视觉问题,而不包括图像内容与信息的理解与分析。如今,机器学习的方法,为很多传统的问题提供了解决思路。因此,使用基于学习的方法来解决计算机视觉的问题,成为了众多科学家的研究热点。在本文中,我们也是利用基于学习的方法对低阶视觉中的两个经典问题进行研究。(1)基于学习图像超分辨率研究我们分析了传统的图像超分辨率技术的主要方法与所存在的问题。基于学习的方法,通常会引入一些不规则的噪声点到重构的高分辨率图像中。因此,我们提出了三层的网络模型来解决这个问题。首先,利用基于主要框架先验知识的图像超分辨率技术生成一个粗糙的高频图像;然后,这个粗糙的高频图像通过图像增强技术后,来加强其边缘信息的一致性与连续性;最后我们通过一个马尔科夫网络来进一步更新产生的增强后的高频图像。并且基于提出的模型,我们给出了多阶段的图像超分辨率的框架。实验结果进一步表明我们的方法可以重构出较高质量的高分辨率图像。(2)面向压缩图像的基于学习的图像重建研究我们提出了一个新的面向压缩图像的重建框架。利用先前从自然图像中所学到的先验知识,来压制压缩图像中的噪声进而重构出图像被量化截去的高频组成部分。首先,通过去块效应滤波去除图像中的块效应;然后,图像本质块之间的连续性通过估计高频图像的组成部分进行增强;最终,我们假设增强后的图像本质块与原始的高频图像本质块形成一个具有同样几何特性的流体。临近嵌入算法用于重构最终的高频图像。实验结果表明,我们的方法无论在主观或者客观效果上,都能够产生高质量的图像。