随着计算机技术和信息技术的迅速发展，数字图像被广泛应用于实际生活中的各个领域，但由于硬件成本等多方面原因，所获得的图像或视频通常是混入了噪声后的低视觉质量的图像或视频。特别是在超高清分辨率显示的时代，人们对图像或视频分辨率有越来越高的需求。因此，对获得的图像或视频在后期利用软件的方法进行处理提高图像质量的超分辨率技术逐渐成为图像处理领域中最具吸引力的研究领域之一。　　针对上述问题，本文研究了基于学习的图像超分辨率重建技术，从图像预处理，图像重建，图像去噪等方面入手，设计图像超分辨率重建算法。本文主要内容如下：　　首先，阐述了局部邻域嵌入算法的主要思想，介绍了传统邻域嵌入图像重建算法的原理、样本训练和图像重建过程中的相关步骤，分析了该算法存在的缺点。　　其次，提出了一种预放大非负限制邻域嵌入人脸的图像超分辨率重建算法：在训练高、低分辨率图像时，先将低分辨率图像放大，使得高、低分辨率图像之间具有更多的相似流形结构；放宽对重建系数的约束条件，迭代更新高分辨率图像块获得重建权值，从而得到了比传统邻域嵌入算法更好的性能。实验结果在主观视觉效果和客观评价上都优于传统算法，验证了本文算法的有效性。　　第三，在稀疏表示的超分辨率重建算法的基础上，提出了一种改进的在线字典学习图像超分辨率重建算法：在稀疏重建的字典训练阶段，采用在线字典学习以获取最优的超完备字典；在稀疏系数表示阶段，考虑图像多尺度间的冗余信息，从相似样本当中重建目标块丢失的高频成分，构造 L1 范数正则项补偿对，抑制稀疏表示过程中的噪声提高重建效果。实验表明，该算法可更好地恢复图像细节，同时能有效的抑制噪声的影响，提高重建图像的视觉效果。　　第四，在图像超分辨率重建系统实现方面，本文在MATLAB的GUIDE开发环境中，设计系统。系统支持本地图片导入，提供多种图像超分辨率重建方法，同时支持重建前后图像对比，并可将超分辨率重建后图片保存到本地硬盘。　　最后，对本文的工作进行了总结，分析了本文提出算法的不足之处，以及超分辨重建中的重点问题，对之后的研究方向进行了展望。