人类从外界获得的信息主要来自视觉系统。随着科技的发展，数字摄像技术与视频通信技术被广泛应用，人们对视频分辨率和图像质量的要求也在不断提高。人们提出通过使用更好的成像设备来提高图像的质量和分辨率，但这种仅通过改善硬件设备的方法将带来较高的费用支出，而且硬件改善面临的技术困难很难在短时间内克服。因此从软件方面着手，采用超分辨率重建技术来提高图像分辨率有着极大的现实意义和应用价值。超分辨率技术是通过融合连续多幅的低分辨率图像或视频序列中的信息，构造出高分辨率，高质量的图像。从而实现将时间冗余转化成空间分辨率的目的。　　 本文对超分辨率的关键问题：图像的重建和图像运动估计两个部分，做了具体研究。其中重点分析研究了图像的运动估计，提出了新的改进思路，力求估计获得运动场更加平滑准确。　　 首先介绍了几种主要的图像重建算法，包括频域重建法、凸集投影(POCS)算法以及最大后验概率(MAP)估计法。并简单分析了各种方法的特点。　　 在运动估计方面，本文重点分析了运动光流法进行图像的运动估计。回顾了两种基本的运动估计方法：Lucas-Kanade光流法和Horn-Schunk光流法。之后提出了一种结合图像分割的运动估计算法。该算法首先在Hore-Schunk光流法的基础上的改进方法，初步获得图像的运动场。该改进方法加入图像结构不变假设，降低图像光照变化的影响；并利用小波原理运动金字塔结构，降低算法的计算量和迭代收敛结果的准确性。然后将图像分块，根据获得运动场计算每块的仿射参数，并运用K-Mean法对其进行聚类，将图像中运动情况不同的物体分割开来。最后利用各个聚类中心的仿射参数对光流法获得运动场进行矫正，使得运动估计结果更加准确。该算法在不影响运动场平滑的基础上，降低了运动边界处的模糊，有效保留了边界信息。　　 在模糊图像重建方面，图像的模糊主要包括散焦模糊和运动模糊。本文详细研究两类模糊图像的退化模型和退化参数的获取。然后综合上面的图像重建和运动估计实现模糊图像的超分辨重建。