图像超分辨率重建技术越来越广泛的应用于遥感影像空间分辨率的提升,也给改善遥感影像质量提供了更多的可能。基于小波重构的超分辨率重建技术凭借其小波分解的优势,可以较好地将分量重组获得分辨率更高的影像。再结合统计和神经网络的相关知识,得以提高其重建的效果。本文利用单幅遥感影像块作为研究数据基础,以小波变换理论作为理论依据,结合HMT模型、插值和Bp神经网络学习等方法,对超分辨率重建技术进行研究和探索,主要的研究内容和结论包括:(1)研究了基于小波域隐马尔可夫树模型。重点阐述了马尔可夫树模型与小波重构之间的相似性,将图像超分辨率问题作为约束优化问题,通过迭代约束求得重建最优解。(2)研究分析了小波变换与插值算法相结合的超分辨率重建算法。实验结果表明,该方法效果明显高于插值算法,并且通过对高分影像的处理与比较,能明显提高图像的空间分辨率,并且拥有较快的重建速度。(3)着重研究了小波变换与Bp神经网络相结合的超分辨率重建算法。利用小波变换分量之间相似的自相关性,通过Bp神经网络学习映射关系的优势,将两种算法的优势相结合,构建一种自学习的重建算法,最后再利用小波重构理论完成重建。通过上述理论研究、相关算法改进及实验分析,本文成果对基于小波重构的遥感影像超分辨率重建的进一步研究具有一定的参考价值。