图像超分辨率是对已知低分辨率图像进行图像视觉效果改善的图像处理技术,即通过建立低分辨率图像和高分辨率图像之间的数学模型,重建获得具有更多高频细节的高质量图像的技术。近年来,随着深度学习和机器视觉技术的发展,基于神经网络的图像超分辨率方法取得了长足的进步,并引起了研究学者们的高度关注。本文以基于深度学习的图像超分辨率算法为切入点,发现神经网络中存在大量参数特征冗余以及网络参数未能有效表达模型等的问题,会严重影响神经网络的性能,导致高分辨率图像重建效果不佳。据此本文提出有效解决参数特征冗余以及参数有效表达的方法。本文的主要研究成果如下:首先分析了图像超分辨率模型,其次总结典型的基于卷积神经网络的图像超分辨率方法框架,从卷积神经网络的组成、结构和网络优化入手,对网络模型进行详细的论述。然后归纳了稀疏正则化方法。其中稀疏正则化方法包括非结构化稀疏正则和结构化稀疏正则。接着具体阐述几种应用在神经网络中的典型正则化方法,并对其优缺点进行分析。最后我们对典型的两类正则化方法进行详细论述。针对卷积神经网络中参数与参数之间、滤波器与滤波器之间、通道与通道之间存在大量参数特征冗余的问题,提出基于卷积神经网络结构化稀疏正则约束的图像超分辨率算法。该算法充分利用组桥结构化正则强大的哲人属性,实现重要参数和参数组的正确选择。以消除参数之间和参数组之间的冗余特征,增强网络的泛化能力,提高网络的稀疏度,达到改善网络性能获得高质量重建图像的目的。实验验证了该方法的有效性。针对网络参数之间存在参数冗余,并且网络参数未能对网络模型有效表达的问题。我们通过探究L0模型约束,发现L0模型约束具有最优的稀疏效果。但是L0存在离散且不可微的缺点。因此,我们提出基于卷积神经网络L0正则约束的图像超分辨率算法来解决这个问题。该算法通过采用连续松弛的离散随机变量,构建一个光滑的连续随机分布,用于刻画L0范数,使其连续可微,并实现L0对超分辨率网络的优化,显著地降低超分辨率网络参数冗余度,进而实现网络参数对模型的有效表达。实验表明,在保证较高稀疏度的前提下,该方法在图像超分辨率主观和客观评价上均能得令人满意到效果。