三线阵传感器所获取的三张影像是同一场景在相近时相、不同角度获取的,因此这些图像可以提供同一场景不完全相同的信息。本文研究利用这些互补的信息,在不大幅增加硬件投资的情况下,对三线阵影像进行超分辨率重建以提高其空间分辨率的方式和方法。根据三线阵数据产品的级别的不同,三线阵影像超分辨率重建可以分为基于三线阵正射影像超分辨率重建和基于三线阵Level 1级别影像超分辨率重建两种。本文的主要研究工作主要包括如下几个方面:(1)详细讨论和分析了超分辨率重建的数学理论基础及其两个基本的数学模型,同时讨论超分辨率重建与反问题的关系和超分辨率重建方程的计算方法。(2)针对三线阵正射影像超分辨率重建,本文详细分析和研究了去混叠频域配准算法,并将其引入到三线阵Level2级别影像的超分辨率重建中。这种新的频域算法将频域混叠区域去除,从而达到超分辨率重建所要求的亚像素配准精度;同时针对Keren迭代算法基于小角度的泰勒级数展开这一影响配准精度的缺点,本文提出一种基于Keren迭代算法的新改进方法,这种新的改进算法将刚体变换模型改变成简化的四参数仿射变换模型,这样就减少了角度的泰勒级数展开所带来的误差,提高了配准精度。(3)针对三线阵正射影像超分辨率重建,本文分析研究了三线阵影像的成像过程,模拟了传感器静态成像时的高斯型MTF,并介绍了高斯型退化函数的两种辨识方法,即误差-分析法和GCV算法因本文还分析了常用的刀刃法和脉冲法,这两种算法通过遥感图像上的黑白分明的刀刃边缘或者特定的线状目标,通过计算得到遥感图像的MTF。仿真实验表明GCV算法虽然基于超分辨率重建模型,但是由于其基于高斯模型,应用范围比较狭窄。其他的辨识算法比较适合图像恢复模型,不能直接应用于低分辨率影像的超分辨率重建,原因就是他们求取得到是低分辨率影像的退化函数与低分辨率影像降采样前的高分辨率影像的退化函数之间存在比较大的差异。(4)针对三线阵Level 1级别影像超分辨率重建,提出了Lucas-Kanade光流配准算法与标准正态互相关(NCC)混合配准算法,解决了三线阵Level 1级别影像前视,正视和下视的配准问题。该算法首先用NCC算法将图像块配准到像素级别精度,然后利用Lucas-Kanade光流配准算法做最后的精确运动参数估计。(5)针对三线阵Level 1级别影像超分辨率重建,本文提出了一种处理三线阵影像的超分辨率盲建模型,取得了比较好的重建效果。该算法将退化函数分为两个部分,引入了可变退化算子,同时考虑配准误差所带来的不良影响。为了更好的保持图像细节,本文采用总分规则化约束,并通过交替最小化(AM)算法对三线阵影像进行超分辨率盲建。实验结果表明本文重建模型是符合实际情况的。(6)详细分析和研究了目前超分辨率重建质量评价方法,引入了结构相似(MSSIM)客观评价标准对各种超分辨率重建算法进行了评估。仿真实验表明,稳健超分辨率算法与其他算法相比更好的保持了图像细节,MSSIM指标与MSE、PSNR等客观评价指标相比更具优势。