随着多媒体技术的日益发展，人们对图像质量有着越来越高的要求，由于种种客观因素的影响，所获取图像的分辨率常常无法满足需要，超分辨率技术不用改变现有设备，能够克服硬件设备的固有限制，提高图像的分辨率，在很多领域中都被广泛应用，具有十分重要的理论价值与实际意义。本文重点研究基于马尔科夫网络的图像超分辨率算法，在传统重建算法的基础上对正则化参数的选取方式进行了改进，并利用梯度法对基于学习的算法进行了优化。论文主要研究工作和创新如下：首先，全面回顾了超分辨率的背景意义，对先验知识、图像退化模型以及图像质量评价方法进行了概述。其次，对图像超分辨率的常用方法进行了描述，从最初的频域法到现在比较流行的空域法和基于学习的方法，并将各种算法进行了比较，重点分析了马尔科夫网络模型，着重对马尔科夫网络模型在重建算法与基于学习算法中的应用进行了研究。最后，在传统基于马尔科夫网络模型的重建算法的基础上通过动态调整对正则化参数的选取进行了改进，对正则化参数值进行自适应的调整，在滤除噪声的同时尽可能的保留图像的高频信息，提高运行效率并增强图像质量；在传统的基于马尔科夫网络模型的学习算法的基础上，通过梯度法对传统算法进行优化，将n维求解问题变成了通过负梯度方向来搜索最优值的问题，通过不断的迭代来使之满足收敛的条件，求出最佳估计值，本文算法能够改善图像复原质量，降低运算量，缩短运行时间。实验结果验证了本文算法具有输出图像质量好、效率高的特点，有一定的实用价值。