视频图像已成为当今信息传播和呈现的主要载体,高分辨率图像以其具有更清晰的画质及更丰富的细节承载能力,为计算机视觉赋能产业高质量发展提供坚实的基础。尤其是随着人工智能的快速发展,各行各业对图像画面质量的要求越来越高,图像空间分辨率的高低,决定着其能否在安防监控、智慧交通、医学成像、感知矿山等新场景下实现智能化、规模化应用的关键。近年来,生成对抗网络作为一种新型的深度学习方法日益兴起,具有生成逼真图像纹理特征的优良特性,将其应用在超分辨率重建领域,可以进一步推动图像超分辨率重建向高质量感知方向发展。本文对基于生成对抗网络的图像超分辨率重建方法开展深入研究,针对不同的目标需求提出了三种不同类型的图像超分辨率重建方法:自适应对角变分优化的生成对抗网络图像超分辨率重建、融合谱范数的最小二乘相对生成对抗网络图像超分辨率重建、深度分离复合残差密集的生成对抗网络图像超分辨率重建。主要研究工作如下:（1）针对基于传统感知损失的图像超分辨率重建方法存在边缘平滑和细节失真等问题,提出了自适应对角变分优化生成对抗网络的图像超分辨率重建方法。该方法采用新的感知损失函数组合,融合了像素损失、基于高层语义的特征损失、基于全变差模型的空间损失和对抗损失,实现总损失函数的融合优化;引入基于对角全变差的自适应模型,利用曲率差分算子区分图像边缘区域及平坦区域,使得损失函数能够根据图像空间区域结构进行自适应调整,充分保持图像边缘和细节特征。实验结果表明,该方法在四个数据集上测试的平均峰值信噪比为28.12db,平均感知指标为2.76,在边缘细节方面与SRGAN、SPSR等方法相比,有效提升了超分辨率生成对抗网络边缘细节特征重建效果。（2）针对超分辨率生成对抗网络存在模式崩溃和训练不稳定、纹理真实感不强等问题,提出了融合谱范数的最小二乘相对生成对抗网络图像超分辨率重建方法。该方法构建谱范数应用于超分辨率生成对抗网络,提高训练稳定性;采用相对判别器取代原始判别器,将绝对判别转化为相对差值判别,借助真实样本信息训练生成模型,提升生成图像的真实感;采用最小二乘相对判别对抗损失改进原有的生成对抗损失,并引入纹理损失增强真实纹理细节,联合内容损失、特征损失共同训练网络,避免原始生成对抗网络容易产生模式崩溃的问题。实验结果表明,该方法在衡量生成对抗网络性能指标FID方面的评价结果为6.22,比原始超分辨率生成对抗网络提高了8.93%,在生成质量方面与SRGAN、PESRGAN等方法相比,有效提升了生成对抗网络超分辨率重建性能。（3）针对基于深度残差密集生成对抗网络的图像超分辨率重建方法存在网络模型复杂度高、特征复用冗余等问题,提出了深度分离复合残差密集的生成对抗网络图像超分辨率重建方法。该方法采用深度分离卷积替代常规卷积降低网络计算量和参数量;引入双层局部残差学习策略,在密集连接中融合局部复合残差,设计了深度分离复合残差密集单元,充分保持图像中各层级的深度特征信息,提升深度密集特征复用及重建效率;采用新的激活函数增强神经网络非线性特征变换能力,并将全局残差学习和局部复合残差学习有机结合,从复合密集特征中重建出深层次的图像特征信息。实验结果表明,该方法在不降低超分辨率重建精度的同时,计算量和参数量只有深度残差密集生成对抗网络的16.41%和12.81%,在模型效能方面与ESRGAN、Nat SRGAN等方法相比,有效提升了深度残差密集生成对抗网络超分辨率重建效率。该论文有图45幅,表27个,参考文献185篇。