图像超分辨率重建是一种重要的数字图像处理技术，被广泛地应用于安防、个人图像处理、医疗图像处理、卫星遥感成像等领域。低分辨率图像会对图像中感兴趣的目标识别造成一定的影响，同时还会降低图像视觉效果。为了增强图像的视觉效果，提高目标识别率，研究低分辨率图像的超分辨率重建是非常必要的,本文主要从以下两个方面进行研究：首先，对基于多帧的算法进行了研究。基于多帧的超分辨率重建技术利用输入的连续多幅图像提供的不同目标信息进行重建，本文对最大后验概率估计、凸集投影、迭代反投影以及正则化重建算法进行了分析与仿真，得出双边总变差正则化方法能够取得最好的重建结果。针对带有局部运动的图像序列，传统几何变换矩阵估计方法不能满足重建的需求；考虑到尺度不变特征变换能够实现运动目标跟踪，本文将其运用到运动目标的几何变换矩阵的估计上，然后采用双边总变差正则化方法进行运动目标重建。基于多帧的重建能够取得最可靠的重建结果，但实际中由于各种原因很难取得合适的多幅图像。因此，基于机器学习的超分辨率重建技术成为研究热点。基于机器学习的超分辨率重建技术通过对图像库的学习，获得重建所需要的信息，从而实现重建，本文对基于示例学习的重建算法、基于稀疏表示的重建算法以及基于迭代收缩和稀疏表示的重建算法进行了仿真与分析。基于示例学习的超分辨率算法能够实现大倍数的重建，但是要求输入和图像库是一类图像，一般用来人脸重建；双字典稀疏表示的重建方法能够实现更好重建质量，为了提高该算法的计算效率，本文给出了一种改进算法，其在基本保持原始重建效果的情况下，大大降低时间复杂度；考虑到应用中需要实现大倍数、平滑以及噪声环境下的图像重建，本文还重点研究了基于PCA和迭代收缩的重建方法，鉴于冗余字典在稀疏表示方面的优势，本文给出了一种基于冗余字典和迭代收缩的重建方法，实现了更好的重建结果。