超分辨率重建(Super-resolution reconstruction,SRR)可充分利用已有图像,从算法角度突破图像的分辨率限制。其中基于互补信息的多帧图像SRR理论已基本完善,却不适用于无互补信息的单像SRR。新兴的压缩感知(Compressive Sensing,CS)理论从稀疏角度表达图像,能解决由低维数据重构高维数据的逆问题,因此联合CS理论进行更具实际意义的单像SRR成为当下的研究热点。目前已有的CS算法多对已知退化先验信息的仿真退化图像进行重建,其分辨率难以超越原始图像,为在图像原有分辨率的基础上取得实质性的提高,本文进行的研究和获取的结论如下:(1)在实现和对比经典单像SRR算法的基础上,研究基于CS的稀疏字典构建方法,实现了DCT解析字典、MOD字典、K-SVD字典和Global字典的训练,并以四种字典对图像进行稀疏编码和重构,验证了基于CS进行单像SRR的可行性。通过对比重建图像的PSNR和SSIM,证实了训练字典的稀疏表达效率更高,且字典形态越丰富,重建图像的质量越好。(2)分别在YCb Cr和RGB色彩模式下,设计一种基于CS的单幅彩色图像SRR方法。通过训练各分量的自适应联合字典,独立进行基于CS的超分重建。结果表明:相较于仅对Y分量进行SRR,在YCb Cr模式下进行整体重建时,PSNR值存在微小提升;在RGB模式下可重建出更多的边缘细节,PSNR值也有所提高,但重建速度有待提高。此外,选取遥感图像训练联合字典,用于实现单幅遥感图像的超分重建,结果表明:与自然图像训练的联合字典相比,遥感图像的针对性联合字典所重建的图像边缘更完整,PSNR值也更高,说明训练针对性的联合字典具有必要性。(3)引入升质算子和迭代思想,提出基于CS的非退化单像SRR框架,在未知退化先验信息的条件下,实现非人工退化单像超分辨率重建。将框架应用于单幅彩色和遥感图像的单次和多次重建,并将边缘提取效果、影像信息熵和影像平均梯度作为评价指标,通过对比分析实验结果证实了框架的有效性。