超分辨率重构是指从一幅或一系列低分辨率图像通过数字图像处理的方法重建出一幅高分辨率图像的技术,该技术不仅能够增加图像的高频信息,也可消除低分辨率成像过程中产生的退化。超分辨率重建技术在各个应用领域现已成为研究热点,具有很大的经济价值,军事价值和社会效益以及广泛的应用前景和实用意义,迫切需要进一步研究。本文总结了图像超分辨率重构算法的研究现状,训练了几种主流超分辨率重构的网络模型,并分析其重构算法的优缺点;结合深度学习基础理论知识,对单图像超分辨率重构技术进行研究,本文主要工作有以下几个方面:(1)改进型极深卷积神经网络超分辨率重构。深度学习算法在图像超分辨率领域得到广泛运用,在深度模型中应用整流线性单元(Rectified Linear Units,Re LU)有助于更快收敛,提高深度模型性能。然而,当滤波器数量被限制到少量时,含有ReLU的网络重构性能表现不佳。为了解决该问题,本文改进了极深卷积神经网络的图像超分辨率重构算法。同时,在不同迭代次数下分别采用ReLU、带参数的ReLU(Parametric Rectified Linear Unit,PReLU)和最大特征映射(Max-Feature-Map,MFM)激活函数在不同网络结构中进行性能定量评估对比。实验结果表明,与主流SR方法相比,本文方法以较少滤波器数量可以在Set5、Set14、B100等基准测试集上获得更好主观视觉评价和客观量化评价。(2)紧凑型多径卷积神经网络超分辨率重构算法。为改善单帧图像分辨率退化问题,极大减少网络参数量,本文提出一种基于紧凑型多径结构卷积神经网络的图像超分辨率重构算法。本文算法采用多径结构模型学习低分辨率和高分辨率图像间残差信息以重建高分辨率图像,并引入最大特征图激活函数,增强网络泛化能力,使网络结构更加紧凑,以捕捉具有竞争性特征,完成图像超分辨率重构。实验结果表明,本文方法具有良好的重构能力,图像清晰度和边缘锐度明显提高,在客观评价和主观视觉效果方面优于当前主流的超分辨率重构方法。(3)基于深度可分离卷积交叉级联残差网络超分辨率方法研究。深度卷积神经网络进行单幅图像超分辨率在精度和速度方面取得了显著成果。然而随着网络的层次加深,信息流动减弱,训练难以实现。同时,大多数模型采用单流结构,在不同的感受域下的上下文信息很难获取。改善信息流动获取足够的细节信息并减少网络参数量,本文采用基于深度可分离卷积的级联多尺度交叉网络(Cascaded Multiscale Crossing Network,CMSC)进行超分辨率重构,在每个级联子网络中,堆叠多个多尺度交叉模块以便融合互补多尺度的信息,从而有效改善跨层的信息流。同时,在每个阶段引入残差学习策略,充分利用低分辨率特征信息,进一步提升重建性能。在基准数据集的评估表明本文方法优于最主流的超分辨率方法。