在数字图像的获取过程中，不可避免的要受到诸多因素的影响，导致图像质量达不到应用要求。由于受到硬件工艺的限制，如何采用软件的方法提高图像的分辨率受到很多研究者的注意。以往的图像复原技术只是对单幅图像进行插值放大，复原能力有限，这就迫使研究人员寻找新的研究方向——基于序列图像的超分辨率重建。本论文针对序列图像的超分辨率重建展开研究，重点探究了由一个包含运动、模糊、下采样、噪声的低分辨率图像序列重建出一幅高分辨率图像的方法。论文的研究成果主要包括以下几点：1、实现了亚像素的图像配准算法。图像配准是超分辨率重建的第一步，只有达到亚像素的配准精度才能通过融合图像序列获得高分辨率图像。论文重点介绍了基于高斯金字塔的光流配准算法，并给出了利用Lucas-Kanada算法求解光流修正值的迭代过程。实验中将高斯金字塔光流配准算法与keren配准算法、Vandewalle频域配准算法进行比较，仿真结果表明基于高斯金字塔的光流配准算法可以达到较高的配准精度。2、改进了MAP超分辨率重建算法。在传统的MAP算法中，总是假设每帧图像的相对贡献量相同，这将会影响重建效果。本文在传统MAP算法的基础上，引入了新的通道权值系数，自适应的调节每帧图像的相对贡献量。仿真结果显示在含有结构相异的图像时，改进的算法仍能取得满意的效果。3、设计了一种鲁棒性的超分辨率重建算法。该算法采用正交梯度算子构造正则项，并通过引入移位算子给出了基于正交梯度算子的正则项的实现方法，同时从自适应的角度选择正则化参数；为了更好的处理模型误差，算法在L1范数框架下实现。仿真结果显示，该方法不仅能够很好的处理高斯噪声和椒盐噪声，重建时间也大大减少。4、设计了一种空间自适应超分辨率重建算法。该算法充分考虑了图像的局部特性，引入了空间自适应加权矩阵，采用全局正则化参数与局部正则化参数矩阵相结合的方法，弥补了传统正则化方法带来的正则化误差以及噪声放大误差。仿真结果显示，加入自适应权值矩阵的算法能够有效的减少误差，保护图像细节。