图像作为现代社会中一种不可或缺的信息载体,在如自动驾驶、安防监控、卫星遥感等诸多领域里所采用的数据形式中扮演了一个必不可少的角色。图像传递信息的能力与其本身图像的品质有着密切的正相关关系。然而受图像采集设备性能等其他现实客观因素的影响,所取到的图像分辨率往往不够理想,导致图像传递信息的能力大幅减弱,对相关应用的性能也影响颇深。因此,通过算法将低分辨率原始图像重建为高分辨率图像的课题被视为计算机视觉领域里的根基问题之一,在学界受到广泛关注。在超分辨率领域中,早期的研究方法主要有基于统计的方法、基于插值的方法等。近年来,随着深度学习方法在诸多领域的应用相比于以往传统方法取得了显著的成功,将深度学习技术用于图像超分辨率领域的思路成为了在当下一个热门研究方向。基于此,使用深度学习方法来实现低质量的图像超分辨率重建课题在当下具有重大研究意义。本文就使用基于深度学习方法来实现图像超分辨率的问题进行研究。首先,对基于深度学习的超分辨率图像重建问题的选题背景、研究意义和国内外研究现状作阐述,并基于此部分内容进行深入探讨。通过分析,提出两种基于深度学习方法的图像超分辨率模型。本文主要研究工作如下:(1)提出了一种SE-Conv GRU模型。该模型使用基于循环神经网络改进的变种ConvGRU与对通道进行显式注意力机制建模的SE残差连接结合,使得该模型在可以在学习到图像数据从低分辨率到高分辨时序渐进映射关系的同时避免了梯度消失或爆炸的问题。使用BSD100数据集训练,并使用Set5、Set14、Urban100作为测试数据集对训练好的模型进行测试。实验结果表明,SE-ConvGRU模型性能良好,在实验评价指标比较中均领先对比算法。(2)提出一种使用Stacking策略的多路径模型。该方法将整个模型分为两个阶段,第一阶段在全卷积模型中设计深、浅两条路径,并利用不同网络结构的特性对分割为高、低频图像的数据特征分别进行提取。通过在第一阶段的模型中使用自适应跳跃连接来增强被提取特征信息的交互,使用Octave卷积对传统卷积进行性能上的优化改进等,实现将一张输入的低分辨率图片初步重建成具有较好品质的高分辨率图像。在第二阶段,采用可分离卷积将经过第一阶段的初步重建结果作为输入,对其细节进行计算以得到更加细化的提升,最终获得整个模型的重建结果。本文实验使用图像超分辨率领域里经典测试基准数据集Set5、Set14、Urban100进行测试,采取结构相似性和峰值信噪比作为量化指标,并结合主观评判,与基于深度学习的图像超分辨率领域内一些经典算法进行图像重建结果的质量进行对比。实验结果表明,本文所提出的使用Stacking策略的多路径方法在超分辨率重建结果上,SSIM值、PSNR值和主观评判均优于其他超分辨率领域里具有代表性的经典对比算法。