分辨率是衡量一张图像信息丰富度的重要指标。在图像重建领域,把从一幅低分辨率图像重建出单张高分辨图像的过程称为单张图像超分辨率技术（Single-Image Super-Resolution,SISR）^[1]。相对于低分辨率（Low Resolution,LR）图,高分辨率（High Resolution,HR）图像其内部包含的基元信息更加丰富,整体视觉效果也更加良好。人工神经网络凭借其超强的学习能力,使得人工智能得到迅猛的发展,让人工神经网络再次成为研究热点。目前基于多层神经网络的深度学习已经广泛应用于计算机视觉,语音处理,自然语言处理等各个领域,甚至在某些领域已经起到了主导作用。单一图像超分辨率重建技术旨在将一个低分辨率图像经过一系列算法重构出对应的高分辨率图像。目前比较成熟的方法有基于频域法,非均匀图像插值法,凸集投影法,最大后验概率法以及稀疏表示法。本文主要研究利用深度学习实现单一图像超分辨率重建。本文进行的工作包括如下几个方面:（1）首先分析国内外图像超分辨率重建技术的研究现状,列举出目前主要的图像超分辨率重建的技术方法,并对其进行分析。以及介绍了深度学习基础（人工神经网络基础和卷积神经网络基础）。（2）对经典的图像超分辨率重建技术的进行分析,针对其缺点提出自己的改进方法。因为VDSR算法使用单向传播的卷积层,所以在非常深的网络结构中,无法更好的利用浅层网络中的特征,所以我们采取跳跃连接的残差网络,实现深度图像细节特征的快速学习,以及利用可调节梯度裁剪实现网络的快速收敛。（3）并行通道网络对先前通过深层网络提取到的图像特征进行1×1的非线性映射,在降低总特征图维度的同时,给图像表示引入更多的非线性映射。之后,分别通过卷积核为3×3、5×5的滤波器进一步加宽单像素的感受野。最后,通过全局残差学习方式完成最终的高分辨率图像重建。