基于单帧图像的超分辨率重建已成为当前研究的热点。高斯过程回归作为一种强大的非线性核回归方法,能够高效表达数据间的非线性映射关系,使得其在单帧图像超分辨率重建中应用广泛。目前高斯过程回归在超分辨率重建中仍存在由于样本训练模型单一、没有学习到足够丰富的样本信息等因素引起重建性能差的问题。基于此,本文展开了相关研究工作,主要研究内容如下:1.提出了基于模糊聚类和高斯过程回归的图像超分辨率重建方法。考虑目前基于回归的超分辨率重建方法研究致力于学习一个通用、有效的回归模型进行回归预测,由于待重建的图像之间存在差异性,显然单一的回归模型不能满足预测需求。针对这个问题,提出了结合改进的模糊聚类和高斯过程回归的超分辨率重建方法。该方法首先对传统的模糊C均值聚类进行改进,改进后的模糊聚类能有效减少样本的误分类情况;然后利用改进的模糊聚类算法对样本数据进行聚类学习并得出聚类后的各个样本子集,再对每个样本子集学习回归模型;最后对输入的测试图像选择距离最近的回归模型进行回归预测。对比实验结果表明该方法能够重建出边缘信息丰富的高分辨率图像。2.提出了基于双字典采样和高斯过程回归的图像超分辨率重建方法。针对传统超分辨率重建方法在训练样本的预处理阶段由于样本信息采集不充分导致重建性能有待提升的问题,通过在高斯过程回归的超分辨率重建框架中引入双字典采样策略,提出构建一种逐步求精的超分辨重建方法。该方法首先利用字典采样思想精简样本训练集中冗余的样本数据,用字典原子与其近邻样本的合集来近似表示原训练样本集,可以有效减少算法的计算开销;其次双字典采样策略认为低分辨率图像中缺失的高频信息由主要高频信息和冗余高频信息构成,通过逐步恢复低分辨率图像中缺失的主要高频信息和冗余高频信息重建出高分辨率图像。实验结果表明所提算法在各项客观评价数据上的取值均有所提高,且主观评比方面也显示了良好的视觉效果。