随着光学遥感图像在军事侦察领域和国民经济社会中的应用越来越广泛,获取到具有高清细节信息的高分辨光学遥感图像对于之后的图像处理、分析和应用极其重要。然而,由于光学成像系统自身分辨率的限制,以及在图像的成像、传输和处理等过程中都难以避免的图像退化降质因素,最终成像获取到的光学遥感图像的分辨率都会降低。图像超分辨重建技术是在不改变成像系统设备的条件下,对图像进行相关处理从而提高其空间分辨率的方法。深入研究光学遥感图像超分辨重建问题可以充分利用现有的光学遥感成像系统和已有的光学遥感图像,具有非常重要的理论研究意义和广泛的应用价值。图像超分辨重建问题是一个高度不适定问题,求解该问题需要利用先验知识对解空间进行正则化约束,才能得到唯一最优解。针对单幅图像的超分辨重建,图像的先验信息可以通过外部训练样本学习得到,也可以利用内部样本学习得到,因此本文主要的工作内容如下:1)针对基于稀疏表示的图像超分辨重建中测试阶段与训练阶段不对称问题,本文提出一种基于联合稀疏映射学习的光学遥感图像超分辨重建算法。稀疏表示为图像超分辨重建提供了有效的先验信息。基于稀疏表示的图像超分辨重建算法认为高、低分辨图像块在对应的高、低分辨字典下的稀疏表示是一样的,利用大量外部训练样本联合学习高、低分辨字典,在测试过程中仅通过学习得出的低分辨字典得到对应的稀疏表示,但是由于对应的高分辨图像是未知的,无法保证它们的稀疏表示是一致的,因此求得的并不是最优解。为改善该问题,本文利用前馈神经网络,将基于稀疏表示的图像超分辨重建中稀疏表示学习、双字典学习融入一个框架进行联合学习,并利用辅助坐标对学习过程进行优化,得到相应的参数,在测试时只需要利用网络参数可以直接得到超分辨重建的结果。实验表明,超分辨重建结果不仅视觉上优于其他基于稀疏表示学习的图像超分辨重建算法,客观评价指标也比其他方法好,而且测试速度很快,可以实现实时处理。2)本文提出一种基于非局部自相似性先验学习的光学遥感图像超分辨重建算法,从图像复原角度,利用图像的先验模型对求解过程进行约束,从而求解图像超分辨重建问题。通常图像块可以看成是多元变量向量的采样,且图像是非高斯的,所以可以利用高斯混合模型对图像块进行建模,已成功用于各种图像复原问题中。而由图像的统计特性可知,图像中包含了大量的非局部图像块冗余,但大部分利用图像块的非局部自相似性进行图像复原的方法都是从降质图像中搜索的,学习得到的先验信息对图像处理的结果会有影响。因此提出先从一组高分辨高质量的训练图像中利用高斯混合模型和图像的非局部自相似性学习得到先验模型,在测试阶段,为每个图像块在图像中搜索其非局部自相似图像块,组成图像块群。基于最大后验概率从训练得到的先验模型中选择最匹配的高斯分量,为图像超分辨重建过程提供字典和正则化参数。通过实验可以证明,从高分辨训练图像中学习得到的基于图像块群的先验信息能够为图像超分辨重建取得较好的主观视觉效果和客观指标。3)深层网络学习可以通过多层网络获取图像数据中更复杂的高层特征,受到深度学习与字典学习之间的联系的启发,本文提出一种基于多层解析-合成字典学习的光学遥感图像超分辨重建算法,利用深层字典学习对图像进行更有效的表示。通过大量外部的训练样本,利用解析-合成字典模型的框架以及多层稀疏模型,直接从低分辨图像样本学习到高分辨图像样本之间的非线性映射关系,其中多层尺寸不同的解析字典用于从低分辨图像样本中提取更高层的特征,最后一层合成字典对其进行回归优化。与深度学习中的反向传播相似,基于误差最小化采用后向投影方法对字典进行分层更新,从而训练得到最优的多层字典。测试时直接将训练好的多层解析-合成字典应用于低分辨图像进行超分辨重建,能取得视觉和客观评价指标都较好的重建效果。4)针对小样本的光学遥感图像,本文不依赖外部训练图像库不对图像空间进行任何假设,提出一种基于结构相关自样本的光学遥感图像超分辨重建算法。由于图像中包含大量的数据冗余,每个图像块都能从图像本身以及图像的各个尺度上找到相似的图像块,这些非局部的数据冗余性也可以为图像处理提供强大的先验知识。本文利用输入的低分辨图像本身,对其进行小尺度的下采样以及对应的上采样操作,建立由高分辨和低分辨图像对的图像双金字塔构成的内部训练样本,利用稀疏表示代替最近邻搜索在内部训练样本中搜索与测试低分辨图像块的结构相关图像块,利用直接映射学习得出高、低分辨结构相关图像块之间的对应关系,用于超分辨重建中。超分辨重建过程也是小尺度逐层放大的。实验证明,基于结构相关图像块的直接映射学习得到的超分辨重建算法优于其他基于内部样本学习的方法,尤其对点目标和目标线条边缘重建效果较好。