图像超分辨率重建是从单副或多幅低分辨率图像中恢复出高分辨率图像的技术,近年来已发展成为计算机视觉领域的研究热点之一。而基于邻域嵌入的超分辨率图像重建方法是图像超分辨率重建技术中的一种流行方法,其核心思想是:通过一组训练样例寻找低分辨率图像块的嵌入流形,在“低、高分辨率的图像块能够在两个独立的空间中构成具有相似局部几何特性的流形”这一假设(称为流形一致性假设)下,实现高分辨图像块的重构。然而,实际图像很难严格满足流形一致性假设,而且大量复杂的图像块可能分布于多个流形结构,这些都会产生不准确的流形嵌入,进而影响重构的准确性。针对该问题,本文研究了基于邻域嵌入的图像超分辨率方法中的特征表示和邻域嵌入的问题,具体工作如下:1.设计了基于最大线性块邻域嵌入的图像超分辨重建方法。针对邻域嵌入方法中存在的特征选取、非线性流形结构以及邻域选取问题,提取中、高频特征并使用层次分裂聚类方法将训练集的非线性流形分为多个最大线性块(MLP);其次为输入块在MLPs中选取最相似的一个MLP,因考虑到不同图像块的结构差异,通过判别将输入块分为边缘块或非边缘块,在该MLP中使用不同的近邻选取方法从其K个最近邻中筛选近邻;最终通过线性嵌入高频近邻得到高分辨率图像块。2.设计了稀疏多流形嵌入的图像超分辨重建方法。针对邻域嵌入中单一流形的假设以及近邻数目固定不变的缺点,该方法采用了图像块多流形分布的假设。首先通过聚类得到多个训练子集;其次对于低分辨率输入,选取最相近的训练子集并进行下一步的稀疏近邻嵌入,通过约束的稀疏优化问题近似找到来自于同一流形的适当数目的近邻,从而更加满足实际情况,得到更好的重构结果。3.设计了稀疏表征学习和流形嵌入的图像超分辨重建方法。该方法利用机器学习的方法来学习特征,提出了一种分层的支持向量机网络来学习图像块的特征,得到分层级联的特征,从而在克服一般特征提取局限性的同时得到了更为丰富的特征信息,然后将学到的特征同于稀疏流形嵌入中。我们仿真了上述方法并通过一系列实验分别验证了新方法对于自然图像超分辨重建的可行性和有效性,与现有的超分辨率重建方法相比,在视觉效果和图像数值指标上都取得了较为满意的结果。