在这个智能化和信息化的时代,图像在信息传递的过程中发挥着至关重要的作用,人们对图像质量的要求也越来越高。但是图像的获取和成像往往受到成像设备、运动模糊和噪声等因素的影响,导致获取到的图像分辨率较低,无法满足人们日益增长的对高质量图像的需要。因此,将低分辨率图像转换成具有更多像素密度和细节的高分辨率图像是至关重要的,这是图像处理领域中重要的课程之一。超分辨率重建技术就是在不改变硬件设备的条件下,利用一系列算法对低分辨率图像进行处理,重建出高分辨率图像。传统的图像超分辨率算法先验信息不足,重建效果不够理想。深度学习方法的引入,可以学习到更加丰富的图像特征,使超分辨率重建效果得到很大的提升。通过对现有的超分辨率领域中深度学习方法的研究,本文在其基础上进行了改进,主要研究工作如下:(1)深度学习方法能够有效改进图像超分辨率重建的效果。目前,基于深度学习的图像超分辨率重建方法存在网络收敛速度慢、图像纹理重建不佳和无法进行多尺度重建等问题,本文提出了一种基于残差学习的深层卷积神经网络。该网络由局部残差网络和全局残差网络两个子网组成,通过两个子网的共同训练增加了网络的宽度,恢复出图像的不同特征。其中,局部残差网络分为特征提取、上采样和多尺度重建三个模块,全局残差网络分为特征提取和图像重建模块。网络中通过残差密集块对卷积层进行密集连接来充分提取各个层次的局部特征,使用多尺度卷积层来获取丰富的图像上下文信息,采用渐进上采样实现多尺度的图像重建,引入残差学习加快训练时的收敛速度。本文方法在主观视觉和客观量化方面都得到了较大改进,能有效提高图像重建的质量,更好的保留图像中的边缘细节。(2)针对现有的SR方法大尺度因子重建性能不佳、纹理细节呈现不完整等缺点,本文提出了一种基于分形编码和深度残差的SR方法。分形编码技术是描述图像纹理的有效工具。首先,对原始图像进行四叉树分形编码,构造范围块与域块的相似关系,找到该图像的迭代函数系统;然后,通过这种迭代函数,对吸引子进行超分辨率分形解码重建,得到初步的分形插值图像;最后,通过构造深度残差网络来估计放大后的分形编码的拼贴误差,将其作为误差补偿项累加到插值图像中,从而得到最终的重建图像。其中网络结构由深层网络和浅层网络联合训练得到,并引入残差学习大大提高网络的收敛速度和重建精度。与现有技术方法相比,本文方法在定量和定性方面都表现出良好性能,可以突出细微的边缘和生动的纹理,对于大尺度因子也有较好的呈现。