图像超分辨率重建是目前计算机视觉领域的重点和难点问题,高分辨率图片相较于低分辨率图片往往能够承载更多信息,也能让观者获得更好的视觉体验,因此超分辨率技术对于医学图像诊断、卫星影像探测、刑事图像侦察等专业领域都有重要意义。本文针对图像超分辨率模型的重建性能问题开展研究,主要创新和工作包括两个方面:第一,针对目前图像超分辨率模型中生成网络的多尺度特征提取能力低的问题,本文提出了一种基于改进的残差块和多分支RFB模块（Receptive Field Block）的生成对抗网络模型。本工作通过多级残差结构和多分支RFB模块,显著提升了网络的多尺度特征提取能力,使用不同尺度的卷积增强模型的多尺度感知能力,强化图像重建质量,改进后的多级残差生成对抗网络命名为RFB-MRGAN（Multistep Residual Generative Adversarial Network based on Receptive Field Block）,在三个基准测试集上的实验结果显示,RFB-MRGAN的超分辨率重建能力表现良好,优于现有的同类算法。第二,针对生成对抗网络训练过程中梯度信息未得到充分利用,生成的图像容易产生几何变形的问题,本文提出了一种基于梯度指导分支的生成对抗网络。本文在RFB-MRGAN的基础上,引入梯度指导分支对重建过程进行约束,通过不同阶段梯度信息的融合提取,使得重建样本不产生严重的几何失真,在模型中采用相对判别器,使得真实图像也能对训练起到积极作用,实验表明基于梯度指导的RFB-MRGAN算法生成的样本拥有良好的视觉体验,具有更高的数值评价指标。本文从网络的基础模块和整体架构出发,丰富了生成对抗网络在图像超分辨率任务中的应用思路,为之后开发性能更加理想的图像超分辨率算法模型提供了一定的参考。