随机森林学习算法是一种有效的单图像超分辨率方法，然而其决策函数是确定的二值函数，这对某些图像块的确定性划分并不是最优的选择。为提升单图像超分辨率性能，采用高斯隶属度函数构建随机森林各决策节点的决策函数，将决策函数的输出值由0和1的确定值转换到0~1之间的概率值，并在叶节点上依据数据划分路径上各决策节点概率的乘积进行预测，依据最小经验冒险准则学习决策参数，使随机森林能更好学习不同的样本数据。实验结果表明，与随机森林学习等目前主流单图像超分辨率方法相比，该方法可以提升超分辨率图像的峰值信噪比，同时运算效率与传统随机森林学习算法相当。
