如今序列图像超分辨率复原成为图像领域的研究热点。其主要思想是利用各帧间有相对运动的同一场景的序列低分辨率图像来重构出超分辨率图像。而精确的亚像素配准可以保证两幅图像之间在空间和灰度特征上的映射关系的过程,它的准确程度决定了超分辨率结果的好坏。为此本文针对超分辨率问题中的两个核心领域——配准、重建,在总结前人的研究成果上做了深入的研究,提出了改进算法,旨在高速、高效的实现图像的超分辨率重建。本文的主要研究工作主要包括如下几个方面:1)许多传统的配准只考虑几何变换,为了改进这种缺点本文提出了基于几何和光度混合仿射模型的配准迭代算法。该方法不仅具有亚像素级的配准精度和较强的稳健性,而且使得重建图像的亮度得到了保持,使得配准模型更加完善。最后利用小波金字塔的多尺度表示提高配准的精度,降低了时间复杂度。用一组模拟图像和一组真实影像分别作实验,其重建结果好,并且信噪比和结构相似度有了较大地提高。2)初值选取的好坏直接影响到序列图像超分辨率重建的效果。针对传统以插值结果作为初值的超分辨率重建效果不佳的问题,提出了结合核岭回归和图像先验模型的序列超分辨率重建的初值计算方法。该算法包括两部分:(1)对序列图像中的任意一幅,采用核匹配追踪(KMP)和梯度下降的方法,降低了核岭回归问题的时间复杂度。(2)为了解决正则化引起的振铃效应,用图像先验模型进行后续加工。实验表明该方法的重建结果清晰,当重建倍数较高的时候细节得到了很好的保持,同时重建效率较高。3)利用(?)natlab语言实现了上述算法,结果表明,本文提出的两种改进算法效率高、效果好,并能满足超分辨率重建的需求。