在很多数字媒体应用领域里,需要用到具有高分辨率的图像或视频来表示物体的细节部分、动作过程等。但实际应用中,人们得到的常常是一系列低分辨率的场景图像,关键的信息不能很好的显示,满足不了需求。超分辨率图像生成方法可以很好适应这种广泛的需求。超分辨率技术是一种利用同一场景的有相对位移的多帧低分辨率图像之间的混叠信息,来重建出比原始图像分辨率更高的超级分辨率图像的技术。它的应用领域包括高度真实感图形、动画,高清电视、战场模拟和信息安全等,具有重要的理论研究和应用意义。超分辨率图像的产生通常由配准和重建两个步骤组成:首先利用亚像素级图像配准技术将所有的低分辨率图像进行配准,找到在高分辨率图像坐标系中相对应的位置;然后利用超分辨率重建算法对这些不规则的采样点进行超分辨率重建,得到对应的高分辨率图像。图像配准的精确性直接影响超分辨率重建的效果。目前,超分辨率重建中常用且可行性高的图像配准算法有基于频率域法和空间域法。这两种方法各有特点:频率域法的鲁棒性强,而空间域方法相对精确度更高。本文着重研究图像配准算法,通过学习和总结前人的研究成果,提出了频率域与空间域相结合的图像配准算法,并应用于超分辨率重建技术中,旨在改进超分辨率图像重建的效果。首先,本文围绕图像配准进行研究,阐述了图像配准的主要目的和分类情况,分析了频率域、空间域研究方法的不同的理论依据、实现手段、算法模型及局限性。对典型的频率域算法——Vandewalle算法,和空间域算法——Keren算法进行了研究,并提出了相应的改进方法。本文中首次尝试了在频率域算法中加入金字塔模型,对原本低分辨率图像进行若干次下采样后层层配准提高精度。在引入金字塔模型后,算法的旋转参数估计略有提高,同时进一步提高了算法的鲁棒性。此外,本文还提出了一种基于Vandewalle和Keren算法的组合配准算法。该算法结合了频率域和空间域算法的优点,先用频率域算法进行配准,在使用估计的配准参数作用于原图后,再用空间域算法对其进行求精。改进的算法对位移较大的图像间的配准具有明显的改进效果,既扩大了算法的适用范围,又使得精度得以保证。其次,提出了一种配准算法评估方法,可以有效的评估配准算法在精确度方面的优劣,为算法比较和研究打下基础。最后,将优化后的图像配准算法应用于超分辨率图像重建。该过程分别采用了Robust SR重建法和CFA图像直接重建法两种方法,并对重建后的结果做出比较与分析。