图像超分辨率重建是指从低分辨率图像中恢复出高分辨率图像的过程,广泛用于高清电视、医学病灶图像的增强、监控摄像模糊图像的重建等。图像超分辨率分为基于单幅图像和基于多幅图像两种。单幅图像的超分辨率仅需一张低分辨率图像就能重建出高分辨率图像,实际应用中具有方便和快捷的特点,在图像处理领域得到了广泛的关注。单幅图像的超分辨率又分为外部数据训练和自身数据自学习两种。基于外部数据训练的图像超分辨率重建中,通过大量外部数据的学习和训练,得到了高低分辨率图像的映射关系。然而基于外部数据训练的图像超分辨率忽视了对低分辨率图像自身信息的挖掘,重建图像振铃明显。基于自身数据自学习的超分辨率重建中,通过对自身图像大量重复信息的提取和映射可得到高分辨率图像,但基于自身数据自学习的超分辨率仅依靠自身信息,图像细节信息单一、边缘锯齿严重,从而制约了图像重建的效果。针对上述基于外部数据训练和基于自身数据自学习的超分辨率重建的缺陷,我们采用外部数据训练和自身数据自学习相结合的方法,进行了以下两方面的研究:1、针对传统图像超分辨率重建存在的缺陷,即仅使用外部数据训练或仅使用自身数据自学习,我们提出在基于外部数据字典学习的超分辨重建中融合自学习的方法来解决单幅图像超分辨率重建的问题。传统字典学习的超分辨率中,将待重建图像进行插值放大后作为模型中的低分辨率图像来进行训练和映射,导致待重建图像的描述不准确;而面向金字塔图像训练的自学习超分辨率方法,仅依靠自身信息进行重建,缺乏外部数据训练的指导。为了进一步提高图像的超分辨率质量,在自身数据自学习过程中对图像特征进行了高斯加权,同时在外部数据字典训练和求解中运用旋转的策略来减小重构误差。实验证明,所提算法比传统的算法有更加良好的重建质量。2、针对基于深度学习的超分辨率,仅使用外部数据训练,但未对待重建图像自身信息进行挖掘,我们提出将传统自身数据自学习超分辨率算法和深度卷积神经网络超分辨率算法相结合的方法。使用自身数据自学习和外部数据字典学习相结合的方法,存在重建速度慢、重建后的图像振铃和锯齿较为严重的缺陷,实验表明,所提出的方法克服了以上缺陷,并取得了更好的图像超分辨率重建质量。通过大量仿真实验,证明所提算法是可行且有效的,相比于其他超分辨率重建算法,取得了更好的效果,为后续图像超分辨率研究提供了新的思路。