El problema de super-resolución refiere al proceso de mejorar la resolución espacial de una imagen estimando la alta resolución a partir de una o varias imágenes degradadas de baja resolución. Estas técnicas han sido ampliamente investigadas debido al gran impacto que tienen en variadas aplicaciones, como ser aplicaciones médicas, imágenes satelitales o vídeo vigilancia. Recientemente con el desarrollo de las redes neuronales profundas han surgido varias alternativas eficaces para resolver este problema. En este trabajo se presenta el estado del arte para los algoritmos de super-resolución, utilizando métodos mono-imagen y multi-imagen. Se comparan los métodos basados en redes neuronales profundas con un método variacional propuesto recientemente (STV). En particular, se estudia como impactan las diferentes estrategias con la incertidumbre en la estimación de la traslación entre las imágenes de baja resolución. Para entrenar los métodos basados en redes neuronales es necesario generar muestras sintéticas a partir de imágenes de alta resolución. Se evalúa como la elección de los métodos de sub-muestreo y sobre-muestreo afecta el aprendizaje de las redes. Además, se cuantifica el impacto de entrenar y testear una red utilizando datos generados con diferentes modelo de degradación. Los experimentos sugieren que la definición de estos pasos juegan un papel fundamental y afectan significativamente lo que las redes aprenden. Se realizan experimentos con imágenes satelitales, suponiendo el modelo de degradación desconocido. Por último, se proporciona como resultado adicional de esta tesis, un programa de código abierto que permite mejorar la resolución de una imagen, seleccionando el tipo de red (monoimagen o multi-imagen) y el modelo de degradación con el que se generan los datos de entrenamiento. La interfaz puede ser utilizada para reproducir los resultados aquí presentados.