近年来，单点探测计算成像以其新颖的成像机制成为了光学成像领域一个全新的研究方向，它以压缩传感理论为基础，利用单像素探测器采集场景光的线性测量值，根据调制光的关联特性来重构出场景图像，与传统成像方式相比，具有系统简单、应用范围广泛、成本较低等优势。但其实际上是以时间分辨率来换取空间分辨率，为取得较高像素的图像常以较长时间的采样过程为代价。针对这一问题，本文提出了一种基于字典学习的超分辨率单点探测计算成像系统，并围绕其中各部分内容展开研究实验。　　为取得较高分辨率的重构图像，本文提出了基于特征分类的双层图像超分辨率重建算法。针对图像不同层所具有的特征细节不同，采用双层重建框架，采用基于不同特征提取方式得到的不同特征类的先验字典集对图像层中的各类特征细节进行恢复；并且在重建过程中采用局部求解稀疏表示系数，使得重建过程更加高效；同时，利用局部和非局部组合约束优化了最终图像的质量。仿真结果表明，该算法相较于同类的其他几种经典算法在视觉效果和客观量化指标上都有着一定的提升。　　由于现有的单点探测计算成像实际是将传统的并行采样转换为串行采样，造成了采样过程的增加，为解决这一问题提出了一种超分辨率单点探测计算成像系统架构。分析了现有成像系统中各模块的作用，针对于该系统中使用透镜汇聚光信号所带来的环境噪声干扰，设计了利用光纤进行调制光收集的改进的实验系统。基于此，在图像重构端结合提出的超分辨率算法，设计了一套超分辨率单点探测计算成像总体方案。通过实验证明了其相较于传统的单点探测计算成像系统，较好地抑制了外部噪声的干扰，且在成像图像质量效果和系统时间消耗方面都有着一定程度上的改善。