单图像超分辨率重建由于其在恢复图像细节和纹理方面具有很高的现实价值,所以一直是计算机视觉和图像处理领域的研究热点。深度神经网络能够学习低分辨率图像到高分辨率图像的复杂特征提取和转换过程,因而近年来基于深度学习的超分辨率方法被广泛地研究及应用。生成对抗网络是深度学习领域的一个重要分支,近几年的生成对抗超分辨率重建方法能使重建图像合成更多的高频纹理细节,从而更加贴合人类视觉感知。本文针对现阶段生成对抗超分辨率重建方法存在的缺陷进行研究,主要工作如下:(1)许多研究人员提出不同的超分辨率模型,其实是通过将不同的网络模块进行组合。本文通过模块化的方式,对现有超分辨率模型的框架结构进行综述,分析其中各个组件的效用及其局限性。基于此,设计了一种基于精简残差网络的后上采样超分辨率网络模型,并将其用作后续超分辨率生成对抗网络中的生成器网络。该模型移除了传统残差块中不必要的模块,从而提高模型的泛化性能并降低计算资源的占用。(2)由于生成对抗网络存在较严重的训练不稳定问题,现有的超分辨率生成对抗网络训练难度大,并容易使重建图像出现与真实图片不相关的瑕疵。近几年已有一些关于如何稳定生成对抗网络训练的理论研究,但如何集成到超分辨率模型中并发挥积极作用仍是一个关键问题。本文对超分辨率生成对抗网络的训练稳定性展开实验研究,提出采用对于假数据分布的梯度正则化项对判别器进行惩罚,稳定了超分辨率生成对抗网络的训练过程,从而提高模型的复现率并克服了上述问题使重建的图像更加真实稳健。(3)提出一种具有简化梯度惩罚的相对超分辨率生成对抗网络(RSRGAN-SGP)。进一步将相对判别器(Relativistic Discriminator)的思想引入超分辨率生成对抗网络,相对判别器将学会分辨真实图像是否比生成图像更真实,而不是单纯判别一张图像是真是假。实验结果表明,相对判别器能够引导生成器输出细节更加丰富且边缘更加锐利的图像。最后,采用像素损失、VGG感知损失和对抗损失联合的方式对网络进行训练,使得重建图像能够具有更加自然、逼真的视觉感知效果。将所提方法在一系列标准数据集上进行检验,通过消融实验分析方法各个组成部分的影响,并将其与现有新老方法进行比较。实验结果表明,所提方法能够使重建图像具有更丰富、真实的细节,在视觉感知效果上优于现有方法,并具有参数量低、训练稳定及泛化能力强的特点。