岩石是具有稳定外形的固态集合体,地层岩性作为石油地质岩石特性的基本研究对象,能够准确反映出油气藏产能分布状况。由于不同区域各种因素的限制,获取到的岩石图像经常会出现分辨率较低的情况,无法清晰展现岩石图像细节信息。在此需求背景下将超分辨率重建技术应用到岩石图像中就很有必要。大多传统的超分辨率重建方法虽然充分对图像进行了分析,但由于处理数据能力的不足,重建结果仍需进一步优化,论文尝试将深度学习应用在岩石图像超分辨率重建中,探索其可行性和适用性。针对传统超分辨率算法的不足,论文利用卷积神经网络在图像处理方面的优势,验证SRCNN超分辨率重建算法在岩石图像中的可用性。随后为了克服SRCNN算法的不足,使用FSRCNN算法和基于残差网络改进的Res-SRCNN算法分别对岩石图像进行超分辨率重建,从而重建出质量更好的超分辨率重建图像。实验部分采用三种不同类型的岩石图像进行超分辨率重建训练和验证,利用主观评价方法和客观评价方法对重建之后的图像进行对比评价。结果证明了基于深度学习的算法在岩石图像超分辨率重建中的有效性,并且在深度学习方法中基于残差网络模型改进的Res-SRCNN算法在岩石图像超分辨率重建中具有更好的效果。