Debido a las limitaciones de la resolución del sistema de imágenes y la influencia de los cambios en la escena y otros factores, a veces solo se pueden adquirir imágenes de baja resolución, lo que no puede satisfacer los requisitos de la aplicación práctica. Para mejorar la calidad de las imágenes de baja resolución, se propone un novedoso algoritmo de superresolución basado en un autoencoder escaso mejorado. En primer lugar, en la etapa de preprocesamiento del conjunto de entrenamiento, se construyen los conjuntos de entrenamiento de imágenes de alta y baja resolución, respectivamente, utilizando la información de alta frecuencia de las muestras de entrenamiento como caracterización, y luego se utiliza la técnica de blanqueo de análisis de componentes de fase cero para decorrelacionar el conjunto de entrenamiento conjunto formado y reducir su redundancia. En segundo lugar, se añade un término de regularización escasa construido a la función de costo del autoencoder escaso tradicional para fortalecer aún más la restricción de escasez en la capa oculta. Finalmente, en la etapa de aprendizaje del diccionario, se adopta el autoencoder escaso mejorado para lograr un aprendizaje de diccionario no supervisado que mejore la precisión y estabilidad del diccionario. Los resultados experimentales validan que el algoritmo propuesto supera a los algoritmos existentes tanto en términos de percepción visual subjetiva como en los índices de evaluación objetiva, incluyendo la relación señal-ruido pico y la medida de similitud estructural.