科学技术日新月异的今天，人们对图像分辨率的要求也越来越高。然而由于探测器阵列数目有限及探测器结构的限制，成像系统的空间采样频率往往无法满足采样定理，从而容易产生混频现象，导致图像模糊。鉴于光学器件的物理局限性和高昂的成本因素，如何在现有探测器的基础上提高图像的空间分辨率成了近些年研究的热点。图像超分辨率重建（SRR, Super-resolution Reconstruction）指的是由一组关于同一场景且含有互补信息的低分辨率图像，重建一幅或多幅高分辨率图像的技术。其基本思想就是在现有成像系统的前提下，通过一定的软件技术手段突破成像技术极限，以获取更高空间分辨率的图像。SRR能有效提升图像空间分辨率，在高清数字电视、医疗影像、军事、气象等领域都有着广泛的应用。随着SRR技术的不断发展，国内外的专家学者们提出了众多的超分辨率重建算法，一般可以分为两大类：频域算法和空域算法。频域算法局限于全局平移，图像退化模型具有空间不变性，目前还没有取得实质意义上的重大突破。空域算法则基于通用的观测模型，能包含各种先验知识，具有更广的适应性和更多的灵活性，是目前的主要研究方向。其中，比较有代表性的重建算法包括迭代反投影算法（IBP）、凸集投影算法（POCS）、最大后验概率算法（MAP）等。本文重点对MAP算法和POCS算法进行了研究。在MAP算法方面，对MAP算法的基本原理进行了研究，分析了图像的先验概率模型，介绍了矩阵MAP算法和梯度下降最优化算法，给出了MAP算法的实现步骤和流程，最后通过仿真实验分析了不同参数条件下MAP算法重建图像的效果。在POCS算法方面，首先介绍了POCS算法原理及其实现过程，然后分析了POCS算法重建图像存在的问题，针对POCS算法存在的问题，提出了两点改进措施以提高重建图像质量。对所提出的算法进行了仿真，实验结果显示改进后的POCS算法相比于原始POCS算法，图像边缘质量得到了明显的改善。最后，对全文进行了总结，并展望了图像超分辨率重建技术的前景，给出了一些今后的研究方向和构想。