نیاز به تصویر با درجه تفکیک بالا برای برخی کاربردها ازجمله پزشکی، تحلیل تصاویر ماهواره ایی، نجوم و دوربین های نظارتی ضروری است و برای رفع مشکل در این سیستم ها و افزایش تفکیک پذیری دو روش کلی وجود دارد: روش نرم افزاری و روش سخت افزاری. درروش سخت افزاری با تغییر در ساختار حسگرهای دوربین، درجه تفکیک افزایش می یابد ولی این روش به دلیل هزینه بالا در پیاده سازی و همچنین محدودیت در تکنولوژی ساخت قطعات، روش مناسبی نیست. اما در روش های نرم افزاری که مقرون به صرفه و اقتصادی است، تصاویر با تفکیک پذیری پایین بدون تغییر در ساختار دوربین که تصاویر با آن گرفته شده است را به تصویری با تفکیک پذیری بالا تبدیل می نمایند. در این پایان نامه ابتدا انواع تکنیک های فرا تفکیک پذیری و همچنین تکنیک های مبتنی بر الگو برای فرا تفکیک پذیری مورد بررسی قرارگرفته و سپس روش پیشنهادی از ترکیب شبکه عصبی پس انتشار خطا بر اساس الگوهای مشخص، ارائه شده است. ابتدا یک تصویر با تفکیک پذیری بالا را توسط مدل تخریب به تصاویری باکیفیت پایین تبدیل می نماییم و سپس با کمک مجموعه نمونه هایی از تصویر با تفکیک پذیری بالا و پایین، ماتریس آموزش شبکه عصبی را ایجاد نموده و پس از آموزش شبکه عصبی و در مرحله بازسازی، به تصاویری با تفکیک پذیری بالا می رسیم. الگوریتم پیشنهادی بر پایگاه داده orl که مجموعه¬ای از تصاویر چهره است اعمال شد. حساسیت الگوریتم به تغییر در هندسه تصویر و همچنین نویز بررسی شد. نتایج نیز با روشهای pocs، فرا تفکیک قوی، پیچش هنجار ساختار تطبیقی و پاپیلوس- گرچبرگ مقایسه گردید.