单幅图像超分辨率旨在利用一幅低分辨率输入图像,结合特定先验知识,重建出同一场景的高分辨率图像,以克服成像设备固有的分辨率限制。近年来,基于学习的超分辨率方法,逐渐成为该领域研究热点。本文在深入研究稀疏表示和字典学习相关算法的基础上,提出了两种单幅图像超分辨率重建算法。具体工作如下:针对目前基于稀疏表示的超分辨率算法中,普遍存在的字典学习精度不高的问题,本文采用半耦合字典学习(SCDL)框架,放宽稀疏表示不变性假设以提升模型学习能力。为了挖掘稀疏域几何结构信息并稳定稀疏分解,引入稀疏域非局部相似性约束,并改进Feature-Sign Search算法用于训练模型求解;为了进一步提高字典学习精度,在初始化分类的基础上,提出基于稀疏域映射误差的重分类方法和交替启发式学习框架。在重建阶段,使用交替启发式重建策略和误差补偿机制。实验结果表明,本文算法获得了更好的重建效果和更高的重建质量。在上述工作的基础上,为了降低稀疏表示的计算复杂度,提出使用非耦合字典学习框架。利用受限玻尔兹曼机(RBM)推断稀疏表示的稀疏模式,并在最小化重建误差准则下,把字典学习模型与统计预测模型相结合,交替训练字典和模型参数。为了获得更高的学习精度,提出基于亚像素采样模式和图像块方向信息的分类方法。实验结果表明,该算法在保证较好重建质量的基础上,可显著提高超分辨率重建速度。