图像是信息传递的重要载体之一,在现实生活中的人们有70%左右的信息是通过视觉获取。而图像的分辨率能够反映出图像中包含信息的丰富度,如何高效获取高分辨率图像成为当前亟待解决的难题之一。从硬件角度提升图像分辨率会面临研发难度大,花费成本高等问题。图像超分辨率重建是一种通过软件途径提高图像分辨率方法,具有较高的性价比,在多个领域具有广泛的应用价值。因此也成为专家学者们关注的热点。本文从前人学者研究的图像超分辨率算法着手,阐述了该技术的研究现状,同时复现了多个深度学习图像超分辨率网络模型,分析并综合现有网络模型优点,结合深度学习基础理论知识对单幅图像超分辨率技术进行研究。本文主要工作如下:(1)查找图像超分辨率技术方面的资料,并且对图像超分辨率技术的现状进行说明。复现图像超分辨率技术多种实现算法,重点研究超分辨率深度学习算法。分析其各个网络模型的优缺点,并且将实验结果进行对比。(2)针对当前图像超分辨率重建网络中对提取的特征信息利用率低的缺点,使得重建后的超分辨率图像纹理细节部分略显不足,纹理部分恢复较难的问题。本文构建了一种将低分辨率图像的高频信息作为重建图像的补偿信息模型,形成特征补偿深度卷积神经网络(Deep Convolutional Neural Network,DCNN)图像超分辨率重建算法。将原始低分辨率图像经过插值处理后传输进U形网络以提取图像的纹理信息,再与经DCNN模型重建后的图像相加形成纹理特征补偿,得到最终的高分辨率图像。经过实验对比,本文方法重建出的超分辨率图像可以得到较高的图像质量评价客观数据以及更强的边缘特征。(3)针对当前图像超分辨算法多采用单链式网络结构,且多使用单种尺度的卷积核提取低分辨率图像的特征信息,这样很容易造成细节信息的遗漏。另外,为了获得更好的图像超分辨率重建效果,网络模型也在不断的被加深,伴随而来的梯度消失问题会使得训练时间延长,难度加大等问题。本文结合GoogleNet思想、残差网络思想和密集型卷积网络思想,研究了一种多尺度密集型残差网络模型。该模型中使用三种不同尺度卷积核对输入的低分辨率图像进行卷积处理,采集不同卷积核下的底层特征,这样可以较多的提取低分辨率图像上的细节信息,有利于图像的恢复。再将采集的特征信息分别输入三个通道的残差块中进行深度特征提取。最后,重建融合后的三种卷积核提取的特征信息得到清晰图像。实验数据以及效果图证明本文算法能够较好的恢复低分辨率图像的边缘和纹理信息,优于当前主流超分辨率重建算法。