随着数字图像的快速发展,图像超分辨率重建算法已被医学诊断、遥感探测和视频监控等多个领域所应用。基于学习的重建方法可以获得较好的重建效果,但随着网络深度的增加,基于卷积神经网络的图像超分辨率重建算法容易出现梯度消失和网络退化等问题。本文针对存在的问题,提出了两种基于卷积神经网络的图像超分辨率重建算法,具体工作内容如下:针对深度网络容易出现梯度消失和网络退化现象,提出基于对称残差卷积神经网络的图像超分辨率重建算法。该算法通过在网络模型中设置一种对称残差的跳跃连接方式,实现了残差块内特征信息共享,增强了网络模型对图像深层次特征的提取能力,降低了网络参数量。在残差块外通过长跳连接融合网络全局特征,有效降低了梯度消失和网络退化现象。实验结果表明,该算法在Set5、Set14和BSD100标准数据集上进行2倍、3倍和4倍采样因子重建后的结果优于比较算法,峰值信噪比和结构相似度值较比较算法均有提高。针对遥感图像的信息较丰富且自相关性较强的特点,提出基于对称局部融合块的遥感图像超分辨率重建算法。该算法提出了一种基于局部融合块的卷积神经网络,提高了对遥感图像高频信息重建的效果,并通过在残差块内设置局部融合,有效缓解了深度网络高频特征提取不充分的问题,提高了深层网络对遥感图像的重建精度,通过在各局部融合块间采用残差方式设置对称跳跃连接,形成块间对称,有效提高了全局特征利用率,降低了网络计算复杂度。实验结果表明,该算法在UC Merced和NWPU-RESISC45两种遥感数据集上进行2倍、3倍和4倍采样因子重建后的结果较比较算法图像清晰度和边缘锐度更高,在客观评价和主观视觉方面均取得较好的重建效果。