随着深度学习的发展进步,基于深度学习的图像超分辨率重建算法出现越来越多的成果。虽然这些超分辨率重建算法都取得了较好的重建效果,但是仍然存在不足之处,需要进行改进。为了解决现有的超分辨率重建算法所存在的问题,本文进行了较为深入的研究,并且提出了一些具备可行性的方案。本文的主要研究内容有:为了取得更好重建效果,主流算法追求更深和更广的神经网络,这导致算法模型具有大量的参数,影响了训练速度同时也对硬件设备有了更高的要求。针对这一问题,本文设计了一种基于双链路信息蒸馏网络的超分辨率重建网络框架。它使用了信息蒸馏网络的思想,通过增强单元尽可能多的提取特征以便能得到更好的重建效果,然后使用压缩单元来去除冗余特征,从而减少网络参数量和运算量。同时,在增强单元中使用了两种不同尺度的卷积核来提取更多的图像特征,两个不同尺度的卷积核得到的特征图并不是独立的,而是采用双链路的方式使得网络能够充分利用不同尺度卷积核得到的特征图。但是这样的设计必然导致了网络参数量的增加,所以不同于传统的卷积方式,本文使用了深度可分离卷积来进行特征提取来解决这一问题。这样就能在得到更多图像细节提高图像重建效果的同时,网络参数量也不会剧增。将若干个双链路信息蒸馏模块组成一个双链路信息蒸馏组,在双链路信息蒸馏组中加入了局部残差学习,每一个双链路信息蒸馏模块都将得到组内前面所有模块的输出特征。在双链路信息蒸馏组组间,加入全局残差学习,每一个双链路信息蒸馏组也会用到前面所有的双链路信息蒸馏组输出的特征。这样可以将所有的特征通过级联的方式连接起来,充分利用到网络迭代过程中所产生的所有特征信息,实现特征的复用,减少网络冗余,从而达到提高图像重建效果的目的。实验结果表明,基于密集残差和双链路信息蒸馏网络的超分辨率重建算法可以取得很好的重建效果,在Set5,Set14和BSD100数据集上的PSNR和SSIM两项指标上取得了较好的表现。