超分辨率图像重构是一个利用多帧关于同一场景的低分辨率图像，去重构出一幅具有更高分辨率图像的过程。它是近年来在数字图像处理、人脸识别等领域内最为活跃的研究课题之一。它具有广泛的应用领域和重要的理论研究价值。 　　本论文主要针对目前超分辨率图像重构所面临的两大难点，即计算复杂性高和成像质量退化展开研究。同时也对如何结合模式识别进行超分辨率图像重构，以及低分辨率人脸的超分辨率重构识别进行了研究。 本论文针对超分辨率图像重构中MAP算法和POCS算法的特点，首次在理论上分别提出了量化的计算复杂性定义。并以此为基础，详细地分析了各种算法的计算复杂性。结果表明，超分辨率图像重构的计算复杂性主要由三个参数决定：即放大倍数，低分辨率图像尺寸，和低分辨率图像数目。提出了普遍适用的，有效降低计算复杂性的三种方法：即递归多级重构算法，并行递归多级重构，和图像分割并行重构。由于这三种方法的相互独立性，故可以根据实际需要分别选用这三种方法，或将它们灵活组织起来一起运用。 　　提出了重构噪声这一概念。对重构噪声的详细研究表明，在超分辨率重构图像中不仅仅存在传统图像恢复中常见的边缘振荡效应、边缘锯齿效应和方块效应，还存在着其特有的梳毛效应。这四种重构噪声不仅与图像的局部特性密切相关，还与所采用的超分辨率图像重构算法和重构条件有关，具有比较复杂的特性。为了能同时有效地抑制所有这四种重构噪声，我们提出了一种新的自适应滤波算法。其原理是根据四种重构噪声各自的特点，将图像分割为不同的区域，并对不同的区域采取不同的滤波处理方法。结果表明：当缺乏观测数据时，该算法能有效地滤除各种重构噪声，并且滤波后的图像质量也得到了提高；但对于大倍数放大重构，仅仅对最后重构出的图像进行滤波还是不能得到令人满意的结果。为此，我们提出了一种通用混合递归算法，该算法较好地解决了目前大倍数超分辨率图像重构的两大难题：即计算复杂性的上升与重构图像质量的退化。新算法具有普适性，还具有一些在实用中极其有用的特性，如对噪声更具鲁棒性，对观测数据的缺乏更具鲁棒性等等。 　　提出了约束边界模式(CEP)这一概念，构造了用于CEP识别的一套特征矢量。提出了一种基于CEP识别与POCS的混合超分辨率图像重构算法。该算法将重构过程分为两步：第一步利用训练后的MLPN对低分辨率像素的CEP进行识别，并恢复出CEP中相应的高分辨率像素；第二步利用POCS算法中的投影算子对所获得的高分辨率像素进行投影迭代更新。为了得到更为可靠的CEP识别结果，还进一步提出了CEP交叉识别法。 　　当人脸图像的分辨率过低时，不论是基于Eigenface空间还是基于Gabor特征的人脸识别方法，其识别率都非常低。针对低分辨率图像序列中的人脸识别这一课题，本论文的详细对比研究表明，只有先利用低分辨率图像序列中所提供的关于同一人脸的不同信息，在像素空间中重构出一幅高分辨率人脸图像，再进行Gabor特征的提取与识别，才能消除低分辨率图像的影响，得到很好的识别效果。此外，研究还表明，可以通过减少参与重构图像的数目来大大缩短人脸超分辨率重构识别所需要的时间，而无需以降低识别率为代价。