随着航空航天领域的发展,人们对地面信息的需求日益增加,图像信息采集方式也日渐丰富。与造价高昂、适用面较窄的卫星遥感图像相比,机载遥感图像以其容易获取、经济实用等诸多优势,被广泛应用于生产生活的各个方面,特别是在无人机上的应用,可以为地面信息获取提供更多帮助。但是,机载遥感图像受环境影响较大,气流、抖动、以及硬件条件的限制,都有可能导致拍摄到的机载遥感图像分辨率较低,无法在放大时保证高清晰度,大大降低图像的应用价值。因此,本文利用图像超分辨率重建技术,通过软件对获取到的机载遥感图像进行超分辨率重建。目前,传统的图像超分辨率重建方法在进行4倍重建时仍有一定的局限性,特别是对于纹理细节较为复杂的机载遥感图像来说,重建出图像丰富且真实的细节是很难的。在人工智能高速发展的今天,深度学习为图像超分辨率重建带来了突破。应用深层卷积神经网络可以更好地提取图像的细节信息,但这面临着层数和连接增加带来的网络退化和梯度崩溃等问题;应用在图像生成上有巨大优势的生成对抗网络来进行图像超分辨率重建可以生成具有更真实纹理细节的机载遥感图像,但同时也有难以训练的问题。因此,本文针对上述问题,提出了以下两个模型,对不同类型的遥感图像进行重建:首先,针对重建图像缺乏细节信息的问题,提出了一种基于密集剩余残差网络的机载遥感图像超分辨率重建模型。在特征提取模块的设计上,将残差网络与密集网络的思想相结合,采用残差缩放将密集残差块相互连接,形成密集剩余残差块,加深网络层数和层级之间的直连,将各层提取到的特征信息更好地传递,增强了整个网络的特征提取能力;同时,去除网络之中的批量归一化层,减少了由于网络参数过大带来的计算负担。最终重建出具有丰富纹理细节的机载遥感图像,最大化保留了原有的图像信息。其次,针对重建图像纹理细节真实性较差、边缘平滑且存在伪影的问题,提出了一种基于WGAN的机载遥感图像超分辨率重建模型。将生成对抗网络作为模型的整体框架,并引入WGAN对判别器部分进行改进,解决原始GAN存在的难以训练的问题;选取以感知损失为主的目标函数优化训练过程。最终重建出更具有真实性、边缘更锐利的机载遥感图像,大大增加机载遥感图像的实际应用价值。