超分辨率图像重构可以看作是一个从单幅或多幅低分辨率图像中重构出一幅高分辨率图像的逆问题,近年来被广泛的应用到了视频监控、卫星图像、视频标准转换、医疗数字影像等各个方面。基于模型和基于学习的方法是最近几年重构超分辨率图像的两种重要方法。基于模型的方法试图构建低分辨图像到高分辨图像的映射,其重构效率较高,但由于图像类型多种多样,很难统一到一个模型下进行描述,在高放大因子下重构图像的质量下降较快。基于学习的方法构造一组低分辨样例图像和对应的高分辨样例图像,先将待重构图像在低分辨样例图像下进行编码,再用编码系数来恢复高分辨图像,可以克服基于模型的方法对图像关系描述不准确的缺陷,具有重构准确、对噪声和图像类型鲁棒性强的等优点。在基于学习的框架下,本文引入字典学习的方法实现编码,研究了基于字典学习的超分辨率图像重构方法,所做主要工作如下：(1)利用KSVD算法学习图像关系。该算法利用K-SVD算法从大量的低分辨率和高分辨率训练样例图像块中分别训练两个小规模的稀疏字典,利用字典间的对应关系和低分辨图像块编码来恢复高分辨图像块,不仅能获得更加准确的编码,而且显著降低了编码的复杂度。(2)基于多任务字典学习的超分辨率图像重构方法。考虑待重构图像的差异,将训练样例图像块自组织聚类来训练获得多个字典,用多个字典下的重构来构建多个任务,不同任务的重构同时进行并共享信息,利用智能的传递特性将多个任务的结果传递到一个新任务上。多任务算法考虑了训练样例图像块的差异,因此可以进一步提高单任务的重构质量,而且对含噪图像具有鲁棒性。(3)基于多任务字典学习和局部约束的超分辨率图像重构方法。假设每个重构图像块在局部邻域内满足局部结构的相似性,在多任务字典学习的代价函数中加入局部约束的惩罚项,对重构高分辨图像块进行局部范围内的约束优化,使重构图像更好的保持结构信息,提高了重构图像的质量。(4)基于多任务字典学习和残差补偿的超分辨率图像重构方法。对多任务字典学习重构的图像再进行残差补偿,进一步增强重构高分辨图像的细节,使重构图像更好的保持细节信息,提高了重构图像的质量。本文的工作得到了国家自然科学基金(61072108,60601029,60971112)和中央高校基本科研业务费(JY10000902041)的资助。