图像超分辨率重建技术是使用低质量、低分辨率图像或一组运动序列生成单个高质量、高分辨率图像。 图像超分辨率重建的应用领域及其广度，在军事、医学、公共安全、计算机视觉等方面具有重要的应用前景。 在计算机视觉领域中，可以通过图像的超分辨率重建技术将图像从检测级转换为识别级(detectionlevel )或者更精细的分辨率级(identificationlevel )。 图像超分辨率重建技术可以提高图像的识别能力和识别精度。 图像超分辨率重建技术能够实现对象物的集中分析，能够取得感兴趣区域的更高空间分辨率的图像，而无需原样采用数据量大的高空间分辨率图像的构成。
目前，超分辨率技术主要有以下两种。 是基于重构的方法，是基于学习的方法。
1、基于重构的超分辨率技术：
基于重构的超分辨率法的基础是均衡及非均衡采样定理。 这假定低分辨率的输入采样信号(图像)能够很好地估计原始的高分辨率信号(图像)。 大多数超分辨率算法属于这一类别，其中主要包括频域法和空域法。
频域法是图像超分辨率重建中的重要方法之一，其中最重要的是抗混叠重建方法。 抗混叠重建法是通过抗混叠改善图像空间分辨率实现超分辨率复原的方法，最初的研究于1984年由Tsai和黄进行。 在原始场景信号带宽有限的假设下，利用离散傅立叶变换和连续傅立叶变换之间的平移、混叠性质，给出了从一系列欠采样观察图像数据中恢复高分辨率图像的公式。 混合多个观察图像得到的离散傅立叶变换系数和未知场景的连续傅立叶变换系数以方程组的形式联系在一起，方程组的解是原图像的频域系数，对频域系数进行傅立叶逆变换可以实现原图像的准确复原。
在空域类方法中，其线性空域观测模型涉及全局和局部运动、光学模糊、帧内运动模糊、空间变点扩散函数、非理想采样等内容。 空域方法具有较强的空域先验约束能力，主要包括非均匀空间样本插值、迭代逆投影方法、凸集投影方法、最大后验概率及混合MAP/POCS方法、最优和自适应滤波方法、确定性重建方法等。
2、基于学习的超分辨率技术
基于学习的方法是近年来超分辨率算法研究的热点，利用大量的高分辨率图像建立学习库，建立学习模型，在恢复低分辨率图像的过程中引入从学习模型中获取的先验知识，得到图像的高频细节，获得较好的图像恢复效果。
具体步骤如下。
(1)根据降质模型降低高分辨率图像的质量，生成训练集。
)2)根据高分辨率图像低频部分和高频部分的对应关系将图像分块，进行一定
进行算法学习，获取先验知识，建立学习模型。
(3)基于输入的低分辨率块，搜索在创建的训练集中最匹配的高频块。
在基于学习的超分辨方法中，构建学习模型，获得先验知识是很重要的。 常用的学习模型有马尔可夫随机场模型、图像金字塔模型、神经网络模型、主成分分析模型等。 基于学习的方法充分利用了图像自身的先验知识，可以在不增加输入图像样本数量的情况下生成高频细节，得到比基于重构的方法更好的复原结果，也适用于脸部和文字等图像的复原。
目前图像超分辨率重建的研究比较成熟，但离实际应用还有很大差距。 未来的研究方向主要集中在以下几个方面。
1 )发展和求解新的退化模型，使图像模型更加准确、全面，实现点扩散函数和噪声的准确估计。 图像超分辨率增强的成功取决于准确、符合实际成像系统特性和成像条件的降低模型，很难得到符合实际成像过程的降低模型，通常采用简单确定的降低模型进行近似，这种近似模型与实际成像过程差别较大。
2 )压缩域的超分辨率重建。 传统的超分辨率算法是针对图像序列的，但实际上最常见的图像序列是视频文件。 因此，下一步的工作是针对不同的视频压缩格式和编解码技术，在超分辨率算法中综合考虑成像模型和压缩算法的图像退化效果，以及运动补偿和编码传输机制，实现压缩域的超分辨率重建
3 )效率和鲁棒性问题。 目前的超分辨率算法具有较高的计算复杂度，如何减少计算量，提高算法速度，是下一步需要研究的问题。 另外，目前很多算法都有照度变化等各种假设，但这在实际应用中很难满足，需要研究稳健算法来满足实用需求。
4 )模糊图像和三维图像的超分辨率研究。 模糊是图像处理中的难点之一，还需要进一步研究如何超分辨率模糊图像。 目前对三维图像的超分辨率研究还很少，如何对三维图像进行建模也是一个值得研究的课题。
5 )超分辨率客观评价标准研究。 目前图像超分辨结果主要依靠人的主观评价，缺乏客观评价标准，目前的PSNR、MSE等不能很好地反映超分辨效果，需要发展客观评价机制。