近年来,数码变焦在智能手机和数码相机应用领域发挥着举足轻重的作用。实现数码变焦最直接的做法便是对拍摄图像进行超分辨率重构,而运用深度学习技术对图像进行超分辨率重构是当前的主流方案。当前多数基于深度学习的超分辨率重构方法都是使用人工合成数据进行网络模型训练,没有充分考虑到真实场景中存在的各种不定因素,例如拍摄时的相机抖动,相机自带的噪声以及镜头畸变等问题,所以这类方法在现实中的应用性能都会明显下降。为了解决这个问题,本文使用相机长短焦镜头在真实场景下所拍摄的图像作为训练集,提出了基于可变形卷积的数码变焦算法和基于域转换的数码变焦算法。具体研究内容如下:（1）由于镜头畸变和相机抖动等因素,真实场景下获取的图像内容都不可避免的会出现几何形变。为了解决这个问题,本文提出基于可变形卷积的数码变焦算法。首先在网络的浅层中引入可变形卷积,提取图像在低层语义信息中的几何形变信息,然后在网络的深层使用标准卷积对特征进行整合,最后利用反卷积重构出数码变焦图像。同时扩展残差结构思想,增加了更大跨度特征层之间的残差学习,缓解梯度耗散带来的训练难度。通过对比实验,该方法重构出的数码变焦图像获得了最高的客观指标,证明了该方法的有效性和可行性。（2）上述研究虽然获得了较高的客观指标,但是重构出的数码变焦图像趋于平滑,对人眼的主观感受提升有限。此外长焦相机所拍摄的图像质量会受到不可抗力因素影响如相机噪声、相机硬件条件等,作为网络训练的目标会使网络最后重构出的图像质量存在一定的上限。为此,本文提出基于域转换的数码变焦算法,重点提升数码变焦图像的主观视觉效果。该方法将会引入额外的高清图像数据集,首先使用一个编码器将由高清图像人工退化后获得的低分辨率图像和短焦相机拍摄的图像映射至同一个隐空间,再使用另一个编码器将高清图像映射至另一个隐空间。最后使用一个卷积神经网络学习两个隐空间之间的映射,再通过一个生成器对映射过来的隐空间中的信息进行图像重构,使重构后图像的域变为高清图像域,最终获得噪声更小且对比度更高的数码变焦图像。实验结果表明,通过该方法重构出的数码变焦图像更符合人眼主观感受,比其他超分辨率重构方法具有更高的主观指标。