图像分辨率是图像细节分辨能力的衡量指标，表示图像中目标景物的细微程度与图像信息的详细程度。高分辨率图像的边缘、纹理等细节特征不仅给人以赏心悦目的感受，而且有利于机器自动识别目标以及对图像对象分类。然而，由于受成像设备的物理限制，以及在成像过程中受场景变化与光照条件等不利因素影响，所获取的图像分辨率低，目标结构难以辨识，不能满足实际的应用要求。因此，提高图像分辨率已经成为图像处理中亟需解决的问题。　　论文围绕单幅图像超分辨重构、高光谱图像超分辨重构和多光谱图像Pansharpening问题，研究了基于特征学习的提高图像分辨率的方法，取得的主要研究成果和创新点包括:　　首先，针对自然图像超分辨重构问题，提出了一种基于聚类稀疏表示和自适应聚合的单幅图像超分辨方法。首先，为了降低求解稀疏系数的运算复杂度以及提高重构质量，采用聚类方法离线地学习紧凑的类别子字典，并利用低分辨率图像块在其最相似类别子字典下的稀疏表示系数在线地重构高分辨率图像块;然后，将图像自身局部平滑性和全局的自相似性先验引入到图像块的聚合模型中，进而精确重构出高分辨率图像的边缘和纹理等细节结构信息。实验结果表明，所提方法的重构结果无论在视觉效果还是客观评价指标上都有明显的提高。　　其次，针对高光谱图像超分辨重构问题，为了提高高光谱图像空间分辨率，同时对地物光谱信息进行保真，提出了一种基于字典学习与空谱联合正则化的高光谱图像超分辨方法。在字典学习阶段，将稀疏性和不相关性约束条件引入到字典学习模型中，使学习得到的字典不仅具有良好的稀疏表示能力，还能达到加速稀疏分解的目的;在重构阶段，将图像空间结构的稀疏性先验和光谱自相似性先验引入到高光谱图像超分辨模型中，得到最终的空谱联合正则化的高光谱图像超分辨重构模型，并给出了模型的求解算法。实验结果表明，本章方法不仅能很好地增强高光谱图像的空间分辨率，还能很好地对地物光谱信息进行保真。　　然后，针对多光谱遥感图像和全色图像的融合问题，提出了一种新的基于深度神经网络的Pan-sharpening方法。首先，利用深度神经网络对训练样本集中的高分辨率和低分辨率全色图像块对之间的关系进行建模，并利用稀疏去噪自编码的学习算法，以逐层无监督训练的方式对深度神经网络进行预训练;然后，利用后向传播算法对预训练的深度神经网络的权重参数进行微调;最后，假设重构阶段的高分辨率和低分辨率多光谱图像块对之间的关系与训练阶段的高分辨率和低分辨全色图像块对之间的关系相同，将低分辨率多光谱图像块作为经过训练的神经网络的输入数据，进行前向传播得到相应的高分辨率多光谱图像块，从而重构出高空间分辨率的多光谱图像。模拟实验和真实实验结果表明，本章基于深度神经网络Pan-sharpening方法在空间细节和光谱保真方面都优于其它主流方法。　　最后，为了深入挖掘图像几何结构的方向性信息和多光谱图像波段之间的相关性信息，提出了一种基于多方向子带深度神经网络的Pan-sharpening方法。首先，为了克服直接对图像块进行深度学习会导致融合图像的边缘和纹理细节部分模糊或丢失的缺点，采用非抽取的Contourlet(Nonsubsampled Contourlet Transform，NSCT)变换将全色图像分解成包含多个具有不同分辨率和不同方向的高频子带图像，并利用多个深度神经网络来提取高频子带图像的特征信息。然后，考虑多光谱图像波段之间的相关性，利用自适应PCA提取多光谱图像的主成分信息，并利用经过训练的深度神经网络对主成分图像的NSCT变换的高频子带进行处理，再经过NSCT逆变换和PCA逆变换得到高分辨率的多光谱图像。实验结果表明，相对于其他融合方法，本章方法可以更好地保持图像边缘等结构信息，在图像融合的客观评价指标和运算速度上都有明显的提高。