人们总是希望获得更高分辨率的图像以便得到更多的图像信息。然而,使用硬件成像设备获取高分辨率图像对成像环境有一定的要求而且成本较高,因此利用软件手段提高现有图像分辨率的方法应运而生,这种方法统称为图像超分辨率重建算法或技术。理论上讲,图像超分辨率重建算法属于逆问题的求解问题,求解依据主要依靠解析延拓理论和正则化理论。其中基于回归学习的图像超分辨率算法主要思想是依靠外部高低分辨率训练集训练回归模型,学习得到的模型参数,应用到输入低分辨率图像上,得到输出高分辨率图像。本文利用特征自身信息和特征间信息,从两方面改进了单帧图像超分辨率重建算法,以期提高对训练集特征的利用效率,获得较高的重建精度。主要创新点总结如下:针对训练阶段的特征聚类进行优化,具体包括,特征精简问题和聚类个数K值确定问题:基于图像的梯度变化特征和数学统计理论,提出一种基于均值曲率预分类和高斯均值聚类的单帧图像超分辨率重建算法。该算法首先利用图像的二阶梯度特征求解均值曲率,将其作为预分类标准。接着,将训练集分为三大类以达到对训练集进行精简的目的。之后,再使用高斯均值聚类算法分别对训练集按类别进行聚合,解决了聚类个数K值确定问题;最后,通过训练岭回归模型得到对应的映射矩阵,来实现高分辨率图像的构建。实验结果证明,本文提出的基于均值曲率的分类方法、高斯均值聚类方法是可行的,且所提算法重建图像质量优于其它主流算法。针对重建阶段的特征重建进行优化,具体包括,特征度量选择问题和正则项选取问题:基于逆问题和特征间相似性理论,提出一种基于马氏度量和加权正则项的单帧图像超分辨率重建算法。该算法首先引入马氏度量公式对特征空间进行度量,利用利普希茨函数度量学习方法,来学习每个特征集合对应的马氏度量公式,解决了特征度量在使用欧氏距离时,无法较好度量训练特征集的问题。然后,在回归模型中引用了Lp正则项,且在正则项中引入自适应相似系数,使模型利用训练集中的特征空间相似性先验知识得到映射矩阵。最后,在重建阶段,根据训练特征对应的马氏度量,为输入低分辨率特征匹配最优的映射矩阵,进而重建高分辨率图像。实验结果表明,基于马氏度量进行特征匹配和在模型中使用加权正则项的解决方案是有效的,同时证明了提出算法具有较好的重建结果。