一直以来,人们设法提高数字成像系统获取图像的分辨率。更高的分辨率可以提供更多的图像细节。这些细节一方面可以提高人们对于图像的主观视觉感受,便于人们从中获取更多的信息;另一方面可以改善图像质量,进而提高后续图像分割,模式识别等算法模块的准确性和可靠性。获取高分辨率图像的最直接办法是采用高分辨率的图像传感器,但是这将不可避免地提高系统的成本和复杂度,难以实现大规模部署。所以,图像超分辨率这种基于现有的硬件设备,通过软件算法提高图像分辨率的技术具有十分重要的应用价值。图像超分辨率是典型的反问题,清晰准确地建立正向过程的数学模型(即图像退化模型)是对其正确求解的基础和前提。在现有的超分辨率算法中,通常假设图像的退化模型是已知的。然而,这种假设在实际应用中往往是不成立的。本文中设计的实验进一步证明不准确的图像退化模型会严重地影响现有图像超分辨率算法的性能。因此,本文重点研究了退化模型未知情况下的超分辨率,即盲超分辨率问题。对于单帧图像盲超分辨率问题,本文提出一种新的迭代算法,循环地估计图像退化模型和超分辨率图像,算法采用基于最大后验概率(MAP)的框架对超分辨率重建图像进行估计;采用基于样本的机器学习(非线性主分量分析)方法对估计的图像退化模型进行正则化约束。文中分别使用计算机仿真图像和真实获取的图像对该算法的性能进行了验证,实验结果表明本文提出的算法所获得的结果在图像主观和客观质量评价方面均具有一定的优势。视频信号作为图像信号在时间上的延展,一方面具有与图像信号类似的成像过程,数学模型和统计规律;另一方面又具有很强的时间相关性。本文以单帧图像盲超分辨率算法为基础,结合视频信号的特点,提出了一种动态的视频盲超分辨率算法结构。算法借鉴成熟的图像压缩算法框架,充分利用视频的时间相关性,将视频分为静态帧和动态帧。静态帧直接采用单帧图像盲超分辨率算法进行重建;动态帧采用图像融合技术,将两幅分别经过空域插值和时域运动补偿而获得的候选图像融合成更高质量的超分辨率重建图像。实验证明,该算法可以在获得较好的视频重建效果的同时有效地控制算法的运算复杂度,具有一定的实时化应用潜力。