图像超分辨率作为图像处理领域的一个经典问题在近些年来得到了很多研究学者的关注。图像超分辨率技术使用单帧或多帧低分辨率图像,挖掘低分辨率图像中的相关性、互补性等信息,以软件算法的方式来提高目标图像的空间分辨率。通过图像超分辨率技术使得我们能够利用现有的低分辨率成像系统,以灵活且低成本的方式来得到分辨率更高的图像。在图像超分辨率算法中基于学习的方法由于引入了学习训练库的信息,相较于基于插值以及基于重构的图像超分辨率算法具有更大的潜力来提高图像的分辨率水平。本文以图像超分辨率问题为研究对象,提出了两种基于学习的图像超分辨率方法:基于局部线性嵌入的方法和基于卷积神经网络的方法。基于局部线性嵌入的图像超分辨率方法,将流形学习中的局部线性嵌入算法引入图像超分辨率问题当中,利用局部线性嵌入思想挖掘低分辨率图像块与高分辨率图像块之间的对应关系,从而重构出目标低分辨率图像对应的高分辨率图像。在此基础上,本文提出了将多角度、多镜像相似块查找的策略来改进提高超分辨率的效果,并通过实验验证了方法的有效性。基于卷积神经网络的图像超分辨率方法,将近些年来非常流行的深度学习中的卷积神经网络模型应用到图像超分辨率中,建立一个为图像超分辨率特别设计的卷积神经网络,将大量的低分辨率图像块与对应的高分辨率图像块作为训练样本,采用随机梯度下降法对其进行训练学习。经过充分训练优化后得到的网络便代表着低分辨率图像到高分辨率图像的一个映射关系,将目标低分辨率图像输入到网络就可以得到与之相对应的高分辨率图像。同时,本文通过实验发现并验证了针对不同性质不同种类的图像进行针对性训练可以得到更好的超分辨率效果。