超分辨率（ Super Resolution，SR）圖像重建是指對低質(zhì)量、低分辨率（ Low-Resolution．LR）圖像進行處理，恢復(fù)出高分辨率（ High-Resolution，HR）圖像的技術(shù)，在軍事、醫(yī)學(xué)、公共安全、計算機視覺等方面都存在著廣泛的應(yīng)用前景。超分圖像重建的一種方法是采用大量高分辨率圖像學(xué)習(xí)，以得到圖像的高頻細節(jié)對低分辨率圖像進行恢復(fù)。目前算法多依賴訓(xùn)練數(shù)據(jù)庫數(shù)據(jù)，沒有充分利用待重構(gòu)圖片自身的結(jié)構(gòu)特點，造成重構(gòu)效果不佳。Freedman等指出在單幅圖像的局部空間鄰域內(nèi)存在大量結(jié)構(gòu)自相似的圖像塊，因而提出了一些利用局部結(jié)構(gòu)自相似性方法，但是這些算法不能有效處理沒有重復(fù)結(jié)構(gòu)的不規(guī)則紋理圖像塊，圖像塊間的錯誤匹配會帶來很多虛假紋理，重構(gòu)效果難以保證。鑒于目前存在的問題，本文提出了一個基于待重構(gòu)圖像的結(jié)構(gòu)相似性特征和卷積神經(jīng)網(wǎng)絡(luò)（ Convolution Neural Network，CNN）相結(jié)合的超分圖像重構(gòu)方法，從單幅低分辨率圖像中獲取自身結(jié)構(gòu)在相同尺度和不同尺度下的結(jié)構(gòu)冗余信息，并結(jié)合深度學(xué)習(xí)方法進行超分辨率重建。首先提取單幅圖像在相同及不同尺度下的重復(fù)出現(xiàn)結(jié)構(gòu)特征；然后融合高分辨率字典圖像塊輸入到CNN中進行學(xué)習(xí)，從而實現(xiàn)單幅低分辨率圖像的重構(gòu)，實驗結(jié)果驗證了本文算法的有效性。