近几年,神经网络技术的进步,推动了人工智能的发展,最具代表性的为计算机视觉领域,在该领域中,包含多个研究方向,其中,图像超分辨率重建为该领域中其它研究方向的基础,因此也受到诸多研究人员的关注。同时,该技术在实际生活中的各个方面也有很大的需求。比如:在乡镇城市的各个角落,安装监控,方便公安追查犯人行踪;在医学领域,医生通过拍的片子,判断病人发病情况,确定病情的严重程度;在高空中通过采集遥感图像,可以进行土地勘测等。然而,目前的超分辨率重建模型存在参数过多,模型过大,细节恢复质量不高的问题,不便于实际应用。因此,本文针对以上问题提出了以下两种单图像超分辨率重构方法:（1）基于密集Inception的单图像超分辨率重建方法。通常情况下,提高深度神经网络性能的最简单安全的方法是以完全连接的方法堆叠卷积层,增加其深度和宽度。但是每增加一个卷积层,会带来参数指数级的增加,需要消耗更多的计算资源。在训练集数量较少的前提下,容易出现过拟合的现象。针对以上问题,本文构建了一种基于密集Inception的单图像超分辨率重建模型。该模型引入Inception-残差网络（Inception-ResNet）结构提取图像特征,将先前以直接堆叠的方法连接的卷积层,转换成一种稀疏连接的方法;全局采用简化后的密集跳跃连接,仅构建每一个模块输出到重建层的路径,避免产生冗余数据增加计算量。在保证模型性能的情况下,大大减少了参数数量。（2）基于残差Inception的单图像超分辨率重建方法。诸多研究表明,建立更宽更深的网络可以显著提高图像超分辨率的重建性能,但是此策略参数多,训练难度大。同时,重建过程中,仅用顶层特征进行重建,可能会丢失许多细节信息。针对以上问题,本文构建了一种基于残差Inception的单图像超分辨率重建模型。该模型的整体采用全局和局部残差连接相结合的方法,融合各个核心模块的特征,用于重建,相比于密集跳跃连接,更有利于训练更深层次的网络。核心模块的主结构采用改进版的Inception,可以在多个尺度上提取图像特征,增加特征信息学习的全局性,可以恢复更多的高频细节,利于重建。