近几年来,基于图像自相性假设的超分辨率算法对提升图像的主观视觉效果取得一定成果,展现出良好的发展前景,在这样的背景下,本文对基于自相似的超分辨率算法展开研究。首先通过分析自相似性超分辨算法的优势及不足,给出了自相似性和控制核回归融合的超分辨算法。该算法利用高斯金字塔对图像全局相似性块进行重建,同时使用控制核回归模型对图像局部块进行结构限制。本文先介绍了图像核回归模型,再给出了带有核回归的基于自相似性超分辨算法,最后通过仿真实验验证该算法的性能。其次,LSE(Local Self-Examples)算法在视觉效果上仍存在提升空间。本文利用传统金字塔相似性块的假设,给出了基于扩展金字塔的LSE改进算法。本文首先通过引入水平和垂直方向的金字塔来扩展传统的高斯金字塔,利用扩展金字塔对应位置的图像块寻找最相似块。该算法不需要进行全局搜索,只需计算对应位置的图像块来寻找最相似图像块。最后通过仿真实验验证该算法的性能。最后,针对超分辨率算法对噪声敏感这一不足,本文给出一种直接对噪声图像进行超分辨分析的算法。考虑将去噪和超分辨率融合在一起的思路,给出了基于扩展金字塔的噪声图像超分辨率算法。本文首先利用扩展金字塔分析噪声图像的相似性,然后给出了基于扩展金字塔模型的噪声图像超分辨率算法,最后通过仿真实验验证该算法在噪声图像放大中的效果。