图像分辨率的高低直观表现在图像清晰度上,在图像的采集过程中受环境、设备等因素限制,采集到的图像有时会缺失高频细节,导致难以从图像中获取足够多的有用信息。图像中的像素包含大量图像特征信息,因此如何提取像素中的有用信息并建立图像特征间的关系是确保生成图像能否恢复高清细节的重点研究方向。现有超分辨率算法重建图像较为平滑,细节信息丢失严重。为提高重建图像质量,对现有基于深度学习的图像超分辨率算法进行研究,主要包括以下内容:（1）针对当前图像超分辨率重建算法难以捕获各特征通道间的依赖关系、深层特征提取网络中特征传播受阻的问题,提出一种基于残差注意力结构的图像超分辨率重建网络。该网络通过在激活函数前增加特征通道可以提取更多图像特征;采用残差结构来缓解网络梯度消失和爆炸的问题。结合坐标注意力构建残差注意力模块,学习各特征通道的重要程度,捕获输入特征图的结构依存关系。在Urban100测试集上的4倍超分辨率重建结果显示,峰值信噪比可达27.13d B,有效的提高了浅层信息利用率,较好地重建出图像的细节信息和几何特征,从而提高了超分辨率图像的质量。（2）针对超分辨率重建图像出现的边缘模糊、伪影等问题,提出了一种基于生成对抗网络的超分辨率算法。该算法的生成器引入了多尺度残差网络,在残差内进行多尺度特征提取,通过增大模型感受野以捕获图像全局特征。结合注意力机制为特征通道分配注意力资源,增强了通道间的依赖关系和高频特征的恢复能力;通过去除残差网络中的批归一化层,缓解了均值和方差归一化后导致的伪影。使用深度可分离卷积替换判别器中的大尺寸卷积核,计算量降低了85.32%;将感知损失与绝对平均误差损失相结合,指导生成对抗网络的训练过程,避免了特征丢失导致重建图像整体平滑。仿真结果表明,文中改进网络的模型特征恢复能力较主流生成对抗网络算法明显提升。（3）将文中提出的图像超分辨率重建算法应用于岩石铸体图像处理,设计了岩石铸体图像超分辨率重建的原型系统。该系统采用模块化的开发方式,集成了两种图像超分辨率重建算法,可实现对岩石铸体图像的多倍超分辨率重建。通过原型系统的运行结果可以看出,该原型系统运行稳定,重建图像质量较高,可满足基本的实际需求。测试结果表明,本文提出的两种图像超分辨率重建算法明显优于其它算法。本文提出的两种图像超分辨率重建算法在处理基于双三次插值降质的图像任务中,图像细节恢复程度较高,主观视觉效果优于现有的超分辨率重建算法;设计的岩石铸体图像重建原型系统中集成了这两种图像重建算法,在非降质的岩石铸体图像重建任务中表现优秀,表明本文提出的算法具有一定的应用价值。