我国拥有丰富的竹材资源,由于其良好的理化性能和环境友好性,竹材在建筑业、机电产品包装业等工程结构中均有着广泛的应用。由于竹材生长过程中天生的多孔结构和工程竹材料的胶合工艺,工程竹材主要的破坏形式是初始裂纹扩大导致的材料断裂,由此带来的安全问题不可忽视。裂纹扩展长度一直是复合材料断裂问题的研究难点之一。采用数字图像相关（DIC）技术对工程竹材断裂实验中裂纹尖端进行检测,可精确测算出裂纹扩展的长度,为断裂应变能的可靠性计算提供有效的支撑。但此技术对图像的质量有着较高的要求,从硬件层面提高图像的质量存在着诸多限制,而目前软件方面在面向DIC技术的工程竹材散斑图像重建上仍采用传统的插值方法,性能较为落后。因此,为了准确测算工程竹材在力学实验中的裂纹扩展长度,本文以超分辨率技术、深度学习技术为基础,围绕工程竹材散斑图像,研究此类图像的超分辨率重建方法,主要完成以下研究内容:（1）根据DIC技术的基本原理,搭建基于DIC技术的工程竹材力学性能实验的图像采集系统并进行相关模型分析。在工程竹材试件上喷涂黑白漆形成散斑,画线定位并进行摩擦处理,将其安装在万能力学试验机上逐渐加载直至裂纹明显扩展或载荷突变,同时采集加载过程中的数字散斑图像,形成工程竹材散斑图像数据集,分析散斑图像裂纹长度测量中存在的问题并对相应模型进行分析。（2）针对网络训练稳定性不足和图像深层信息提取困难的问题,提出了一种面向工程竹材DIC图像的注意力密集残差网络模型。移除残差网络中的BN层,提高网络的稳定性和减少计算复杂度,并采用1损失函数监督模型训练,引入注意力模型,将密集连接的思想融入网络结构中,设计注意力密集残差块,实现不同层次信息的融合,有效加深网络深度、提高网络性能,利用客观评价指标PSNR、SSIM和主观评价指标MOS对模型性能进行评价。（3）针对网络重建出的图像边缘不够锐利、细节不够丰富的问题,提出了一种基于注意力密集残差结构和相对均值的生成对抗网络模型。将加入注意力机制的深度密集残差网络作为生成网络,参考相对均值生成对抗网络对判别器进行改进,结合感知损失、内容损失和对抗损失对训练进行监督,利用网络插值在保持纹理的同时减少伪影,构造一种结构更为合理的图像超分辨率模型应用于工程竹材散斑图像,并对不同算法还原的图像质量和裂纹精度进行比较分析。（4）工程竹材散斑图像超分辨率重建系统实现。设计了主要功能包括用户注册和登录、图像模型训练和图像重建测试的可视化界面,能够自由地进行参数设置、路径和模型的选择。