超分辨率重建(Super-resolution Reconstruction, SR)是在现有成像系统的基础上,通过数字信号处理技术,由单幅或一系列低分辨率图像构造出高像素密度且细节信息更为丰富的高分辨率图像的技术。作为一种无需改善硬件设备,却可以显著提高图像质量的方法,SR技术在很多领域有着广泛的应用前景,已成为目前图像处理领域的研究热点之一。近年来发展的稀疏表示技术在图像恢复领域获得了成功应用,其图像恢复的质量很大程度上取决于所选稀疏变换基能否对图像进行有效的稀疏表示。本文提出了一种基于自适应学习的超分辨率重建算法。首先,根据要重建的图像块不同的结构特征,从预先学习得到的稀疏变换基的集合中自适应地选择其局部稀疏变换基;然后,建立其有效的稀疏表示重建模型;另外,引入了针对图像局部结构特征的分段自回归模型(PAR),和针对图像非局部结构特征的非局部自相似模型(NLSS)作为上述稀疏重建模型的两个正则化约束,起到增强图像边缘和抑制噪声的目的,进一步提高了重建质量。仿真结果验证了自适应稀疏表示和正则化模型相结合的超分辨率重建算法的有效性,其重建结果无论在客观评价质量还是视觉效果上都优于现有技术。