现代社会数字摄像技术与视频通信技术的应用日趋广泛。同时，人们对视频分辨率和图像质量的要求也在不断提高。为了突破CCD感光元件密度和奈奎斯特极限频率的限制，研究者提出了超分辨率重建的概念。其基本思想为：通过综合关于同一场景的多幅低分辨率图像或视频序列的信息，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。超分辨率重建可以在软件层面进一步提高现有成像和视频通信系统的性能，在安全监控、视频压缩等各项领域都具有极强的应用价值。　　 本文首先介绍了几种主要的基于非压缩视频的超分辨率重建算法，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。虽然多数算法理论上可以实现对任意视频的超分辨率重建，但它们均需要精确的亚像素运动估计或图像配准技术的支持。本文回顾了两种适合的估计算法：基于光流模型的运动估计法和基于区域匹配的同步亚像素运动估计法。　　 在压缩视频处理方面，本文针对JPEG图像序列提出了一种重建算法。该方法以POCS思想为核心。它在离散余弦变换(DCT)域内构建凸集，并采用一种改进的投影算子降低量化误差，修复DCT系数。此外，该算法还结合了MAP估计和相关优化算法的特点，可以在保护物体边缘和细节信息的同时抑制振铃噪声。在该重建法的基础上，本文进一步提出了一种新的应用于Motion JPEG2000视频的超分辨率重建法，它将POCS思想与迭代反投影算法相结合，通过构建低分辨率离散小波变换(DWT)域内的凸集，以及一种新的投影算子，将每一帧内的视频信息映射至高分辨率图像。模拟实验表明，这种重建算法一方面能够去除因高压缩比而造成的模糊效应和振铃效应，另一方面可以有效提高视频分辨率。它的重建效果明显优于传统的POCS或MAP超分辨率算法。　　 此外，在应用方面，本文分析了阻碍现有超分辨重建技术应用于实际生活的两个最主要因素；并提出一种用于光学模式识别，特别是运动车牌识别的快速重建算法。该算法能够提高车牌图像的分辨率，从而提高系统的识别率，减小系统对高成本图像采集设备的依赖。本文算法以一种简化的代价函数为基础。盲重建实验表明，其输出图像虽然存在某些残留噪声，但并不影响字符的形状。它的二值化结果与传统MAP算法的二值化结果几乎一致，而运算耗费的时间不到传统方法的20％。完全可以在嵌入式设备上实现实时视频输出。