在众多领域中需要获取高分辨率图像,由于外部环境和硬件设备的限制,很难获取到满足要求的高分辨率图像,所以图像超分辨率重建技术得以兴起和发展。使用传统的图像超分辨率重建技术获得的高分辨率图像存在平滑、振铃和清晰度低等问题,随着近年来深度学习的快速发展,使它在图像超分辨率重建中能够获得丰富的图像特征信息。本文基于深度学习,针对图像超分辨率重建研究了以下内容:(1)为了解决低分辨率图像在输入到卷积神经网络之前采用上采样操作造成重建图像出现平滑和伪影的问题,提出了一种Adam优化的卷积神经网络(Convolutional neural network,CNN)超分辨率重建算法,该算法设计了一个改进的卷积神经网络,并使用Adam优化算法对该网络进行优化训练。使用改进的卷积神经网络首先对低分辨率图像进行特征提取,然后对提取到的特征进行非线性映射得到特征映射图,最后对特征映射图进行反卷积重建得到高分辨率图像。(2)由于快速的卷积神经网络超分辨率重建算法卷积层数少、相邻卷积层的特征信息之间缺乏关联性,难以提取到图像深层信息导致图像超分辨率重建效果不佳,针对此问题,提出了多级跳线连接的深度残差网络超分辨率重建算法。首先,设计了多级跳线连接的残差块,在多级跳线连接的残差块基础上构造了多级跳线连接的深度残差网络,解决了相邻卷积层的特征信息缺乏关联性的问题;然后,使用随机梯度下降法(SGD)以可调节的学习率策略对多级跳线连接的深度残差网络进行训练,得到该网络超分辨率重建模型;最后,将低分辨率图像输入到多级跳线连接的深度残差网络超分辨率重建模型中,通过多级跳线连接的残差块得到预测的残差特征值,再将残差图像和低分辨率图像组合在一起转化为高分辨率图像。(3)针对在图像超分辨率重建过程中只进行一次上采样操作造成在训练阶段图像细节信息丢失的问题,提出了一个渐进式的深度残差网络超分辨率重建算法(GDSR)。渐进式的深度残差网络由网络输入层、NX重建网络和网络输出层组成,其中NX重建网络由N2个2X重建网络组成,在2X重建网络中,深度残差网络提取特征信息,然后通过亚像素卷积对提取的特征进行上采样;GDSR算法对低分辨率图像进行N2次的特征提取和N2次的上采样得到高分辨率图像。通过实验验证本文提出的基于深度学习的图像超分辨率重建算法不仅在主观视觉评价方面获得较好的视觉效果,而且在客观测试评价方面测得的峰值信噪比(PSNR)值和结构相似度值(SSIM)值都得到了提升。