图像超分辨率复原（SR，Super-Resolution）的目的是根据单幅或者多幅低分辨率图像，采用信号处理技术，重建出高分辨率图像，其可分为单幅图像超分辨率复原和多幅图像超分辨率复原，本文主要研究单幅图像超分辨率复原算法。在此基础上，引出一种基于小波域学习的单幅图像超分辨率复原算法，同时在基于稀疏表示实现SR的算法基础上进行改进，提出了一种基于多类别字典实现SR的算法。所做工作如下:　　1、对前人提出的超分辨率复原算法进行研究仿真，包括最原始的插值方法;基于重建实现SR的两种原始算法:基于MRF模型的MAP图像超分辨率复原方法和基于梯度矢量流约束的图像超分辨率复原算法;基于学习实现超分辨率复原算法，对这几种算法的优缺点进行总结分析。　　2、引出了一种基于小波域学习的单幅图像超分辨率复原算法，主要以图像冗余特性和小波变换的相似性为依据，将图像超分辨率复原过程转换到小波域，通过对高低分辨率图像块的配对学习来实现图像重建。通过这样的算法可以更加有效的恢复图像的高频细节信息，同时消除了样本库建立的过程，得到了视觉效果更好的图像。　　3、详细研究了通过稀疏表示实现超分辨率复原的原理、模型以及算法。由信号的稀疏表示应用到图像的稀疏表示，通过训练字典和稀疏求解，得到重建后的图像。并说明稀疏表示实现SR的优越性。　　4、在基于稀疏表示的超分辨率复原算法的基础上进行改进，引出了一种基于多类别字典实现稀疏表示SR算法。首先根据图像块特征构建边缘信息字典和平滑信息字典，然后，在多类别字典的基础上，对每一个输入图像块进行分类匹配，选择最合适的字典进行稀疏表示，从而取得更好的效果。