图像增强算法能够不依赖硬件而得到较高质量的图像,同时也能减轻高质量图像带来的传输负担,近年来成为研究的热点,出现了许多新颖且实用的算法。其中,基于深度学习（尤其是卷积神经网络）的图像增强算法能明显改善图像质量,得到了研究者的广泛关注。然而当前基于深度学习的图像增强算法多是单尺度模型,无法有效捕捉鲁棒的特征以应对尺度变换问题,且模型的体量难以在实际应用中有效部署。本文针对单幅图像超分辨重建以及遥感图像增强,开展了基于多尺度卷积神经网络的图像增强方法研究,主要包含以下两个方面:（1）本文在总结过去经典深度学习超分辨率重建模型的基础上,提出了一种新颖的基于层级融合与分裂思想的多尺度卷积神经网络超分辨重建模型,即残差融合网络（RFNet,Residual Fusion Network）。鉴于超分问题中存在尺度变换问题,引入了多尺度特征提取模块,使得模型在不同尺度上均具备一定的鲁棒性。同时在网络中引入层级分裂与融合的思想,进一步压缩了模型的参数。分别在计算机视觉模拟数据集与真实数据集上开展超分辨重建实验,结果验证了 RFNet模型的有效性。与现有深度学习模型相比（所有方法设置相同的层数）,所提出的RFNet模型在各个图像质量评价指标上均有优势,同时模型的参数更为精简。（2）进一步讨论了 RFNet在光学遥感图像的多波段全色锐化方面的适用性,并针对遥感数据的特性,对算法进行改进。改进的RFNet（Modified RFNet,M-RFNet）模型主要体现在三个方面:从模型的复杂度入手,压缩了整个模型的大小以防止过拟合问题;同时,进一步增大网络的感受视野以获取更多的特征信息;以及采用卷积加像素重组的组合替代双三次插值操作,通过网络自主学习来实现多光谱图像的上采样操作。基于高景一号影像数据的实验显示,通过M-RFNet模型获得了优异的图像增强效果。与传统全色锐化方法相比,M-RFNet模型能实现更优的图像融合结果,使得融合图像具有更小的光谱失真与空间失真。此外,实验结果验证了全色图像对遥感图像全色锐化的价值。