由于硬件的限制,人们的手机和电脑中累计了大量低分辨率的图像,为了获取高清晰度的视觉体验,以软件方法提升图像尺寸的超分辨率算法就显得尤为重要。近年来,随着深度学习理论的发展,涌现了大量优秀的超分辨率算法。但真实场景下的低分辨率图像与人工生成的降采样低分辨率图像相比,会受到噪声、伪影、下采样核未知等诸多因素的影响,现有的超分辨率算法提升效果不够理想。本文针对以上问题进行深入的研究,主要内容和成果包括:（1）构建了一种基于图像频率分离的低分辨率图像生成算法。使用生成对抗网络学习低分辨率图片的数据分布,用生成器模拟下采样核的输出作为新数据集的负样本部分。滤波器把图像分为高频和低频两部分,简化了鉴别器的训练难度,加入了数据增强处理。实验结果证明,在鉴别器的纠正下,生成网络可以学习到真实场景图片的数据分布,在重新制作的数据集上进行训练,超分辨率模型对真实场景图片的处理能力有了提高。（2）提出一种基于循环网络的超分辨率算法。通过保存残差块提取的密集特征,保留了每一次迭代后融合残差模块的输出,使模型具有类似循环网络的记忆性。模型中使用了大量的融合操作,伴随局部特征矩阵与全局特征矩阵的融合,提升了模型的感受野,降低了模型的复杂度。改进了超分辨率算法中常用的L1损失函数,在生成图像与真实图像的差值小于预设的常数θ时,把这一部分从损失函数的计算中舍去,为网络的生成能力放松了约束。实验结果表明,和常用的超分辨率算法相比较,本文提出的超分辨率算法对于真实场景低分辨率图像的恢复具有明显的优势。