چکیده: ابرتفکیک‌پذیری فنی است که با ترکیب اطلاعات موجود در چندین تصویر کم دقّت از صحنه، تصویری با تفکیک‌پذیری بیشتر یا به عبارت دیگر تخمینی از تصویر ایده‌آل صحنه را تولید می‌کند. یکی از عواملی که شدیداً بر کیفیت تصاویر تولید شده توسط الگوریتم‌های ابرتفکیک‌پذیری تاثیر می‌گذارد، تخمین درست میزان تار شدگی تصاویر کم دقّت ورودی است. در بسیاری از تحقیقات انجام شده، تنها عامل تاری این تصاویر، خاصیت انتگرال‌گیری حسگر دوربین فرض شده است. در حالی که در عمل عوامل دیگری نیز وجود دارند که باعث تاری این تصاویر می‌شوند. در این رساله فرض شده است خاصیت انتگرال‌گیری حسگر دوربین تنها دلیل تاری تصاویر کم دقّت ورودی نبوده و عوامل دیگری نیز در این امر دخیل هستند. از این رو در صدد برآمدیم تاری اعمال شده بر روی تصویر ایده‌آل صحنه را برآورد کنیم. در بخش اولِ تحقیقات، هسته تاری اعمال شده بر روی تصویر ایده‌آل صحنه، از روی هسته تاری تصاویر ورودی برآورد می‌شود. این کار توسط شبکه عصبی و یادگیری عمیق انجام شده است. بدین منظور هسته تاری تصاویر کم دقّت برآورد شده و به شبکه عصبی آموزش دیده اعمال می‌گردد. شبکه عصبی هسته تاری اعمال شده بر روی تصویر پر دقّت را تعیین می‌کند. از این هسته‌ی تاری در ابرتفکیک‌پذیری استفاده می‌گردد. بر مبنای این ایده دو روش مجزا پیشنهاد می‌گردد. در روش اول شبکه عصبی به عنوان دسته‌بند، هسته‌ی تاری مطلوب را از میان هسته‌های تاری مفروض پیش‌بینی می‌کند. در روش دوم از شبکه عصبی در چارچوب رگرسیون استفاده می‌شود و هسته‌ی تاری مطلوب توسط آن ساخته می‌شود. نتایج آزمایش‌ها نشان می‌دهد استفاده از هسته‌ی تاری تعیین شده توسط شبکه عصبی در الگوریتم ابرتفکیک‌پذیری باعث افزایش کیفیت تصویر پر دقّت خروجی می‌گردد. در بخش دوم تحقیقات انجام شده، روشی برای ابرتفکیک‌پذیری تصاویری با تاری ناشی از عدم تمرکز عدسی با مقدار تاری نامعلوم پیشنهاد شده است. در این روش ابتدا تصویر پر دقّت تار به دست می‌آید و سپس تصویر به دست آمده رفع تاری می‌گردد. از آنجا که پارامتر تاری مشخص نیست، رفع تاری از نوع کور می‌باشد. ابرتفکیک‌پذیری و رفع تاری، مسائلی معکوس و بد مطرح هستند و حل آن‌ها نیاز به اعمال منظم‌سازی دارد. از این رو تابع هزینه و منظم‌ساز مناسبی برای تعیین تصویر و هسته‌ی تاری نامعلوم پیشنهاد گردید. نتایج آزمایش‌ها بیانگر آن است که استفاده از منظم‌ساز پیشنهاد شده موجب افزایش کیفیت تصویر خروجی شده به گونه‌ای که معیار شباهت ساختاری نسبت به کار مقایسه شده تقریباً به میزان ٪۵/۹ افزایش یافته است.