光场相机可同时记录了空间光线的位置与角度信息,在数字重聚焦、全聚焦图像获取、深度估计中具有显著优势。但多维信息的记录导致光场图像空间分辨率低,为了充分利用光场相机的诸多优势,同时克服图像分辨率有限的问题,研究光场超分辨率重建技术具有重要意义。本论文基于深度学习的光场图像超分辨率重建算法研究,主要创新如下:1.提出一种基于块效应评价进行数据预处理的GAN网络光场图像超分辨率重建算法。GAN网络常用于二维图像的超分辨率重建,将其应用于四维光场超分辨率重建时,需要对四维数据进行预处理。本文基于光场坐标变换思想,提出基于块效应评价的四维光场预处理算法,通过对比光场宏像素块效应值寻找清晰区域,进而实现四维光场信息到二维图像的转化,最后将转化后的二维图像作为网络的输入,实现光场超分辨率重建。实验结果表明,本文所提数据预处理算法较四维光场直接投影降维可得到更高质量的高分辨率图像,定量评价结果也论证了算法有效性。2.提出一种基于深度递归残差网络的光场图像超分辨率重建算法。为了提高光场残差网络的性能,对该网络进行改进,提出基于深度递归残差网络的光场图像超分辨率重建算法。该算法采取递归区域操作的方式加深了网络结构,递归模块中使用权重共享,减少模型参数的同时,充分利用图像深层次信息,提高了重建后图像的质量。实验验证了所提算法的合理性和有效性,与残差光场超分辨率重建网络相比,所提改进后的网络获得的高分辨率图像在视觉上具有更清晰的纹理。定量评价表明,所提算法获得的超分辨率重建后的图像的峰值信噪比和结构相似性分别提高了0.26db和0.3。