在5G通信技术快速发展的今天,高宽带和低延迟带来便利的同时,也大大催生了人们对高清图像的需求。在许多数字图像应用领域,如社会治安监控和医学影像分割方面都需要丰富的图像细节来提供更多的有效信息。但在实际的应用中,诸多不确定的因素如成像设备能力的制约和传输过程中频域的混叠,甚至是拍摄过程中物体与相机的相对位移而造成的模糊,都会导致图像采集过程中细节的丢失。为了解决这个问题,决定采用图像超分辨率重建技术,目的是从输入的一个或多个低分辨率图像中去重建高分辨率图像。由于高分辨率图像降质到低分辨率图像的过程中,伴随着大量图像边缘细节和高频信息的丢失,所以重建过程是一个典型的病态问题。而在拍摄和存储过程中的未知噪声会让重建过程变得更加困难。为了得到更加接近于真实图像的唯一准确解,本文对含噪图像的超分辨率重建问题进行研究,提出了一种快速且高效的超分辨率重建算法。主要研究成果包括:(1)现在大多超分辨率重建算法都假设输入图像是不含有噪声的。但在实际的应用环境中,含有噪声的低分辨率图像是很常见的,针对目前算法对含噪图像重建能力有限的问题,提出了一种对含噪图像具有明显抑制作用的快速超分辨率重建算法。(2)与传统算法不同,该方法在处理噪声的同时,完成图像的超分辨率重建工作。其中,在字典的训练阶段,借鉴了传统训练方法并加入了低分辨率图像块的纹理结构。值得注意的是,训练采用的示例图像是不含有噪声的。所以即使输入图像的噪声幅度发生变化,也无需重新训练字典。(3)在重建过程中,将稀疏字典的列原子作为匹配对象,一方面降低从数百万个匹配对象中查找相似补丁的计算成本。另一方面,稀疏表示可以使信号能量集中在个别原子上,抑制噪声的干扰。然后,通过对输入特征向量和稀疏字典的归一化处理提高了匹配的准确度,并结合相似度匹配和权重限制模型完成对相似块的权值分配,重构出对应的高分辨率图像块。最后,通过加权平均得到估计的高分辨率图像和去噪后的低分辨率图像。再将两幅重建图像与迭代反投影相结合,得到最终估计的高分辨率图像。在常规图像测试集中验证了本文算法,其结果优于对比算法并且对模拟的高斯噪声具有较好的鲁棒性。