毫米波无源探测成像系统被动接收目标场景向外辐射出的电磁波，利用不同材质的辐射差异进行成像。因其具有全天时、准全天候的工作能力，且具有无辐射、无接触、安全性高等特点，在民用和军事领域发挥着重要作用。然而原始的被动毫米波图像受噪声污染严重、细节信息缺失、分辨率低，不能满足后续做目标检测与识别等需求，影响了实际应用。通过算法对图像进行超分辨率重构可以改善图像的分辨率，然而针对被动毫米波图像这一特定的领域，传统超分辨率算法的重建效果不够理想。因此，研究一种针对被动毫米波图像的超分辨率算法具有重要的应用价值。
　　本文根据被动毫米波图像的特性和数据集的特点，研究了一种基于深度学习的图像超分辨率算法，具体工作如下：
　　(1)针对插值法、重建法对毫米波图像重建效果不佳的问题，分析了深度学习算法的优势。在理解毫米波无源探测系统成像原理的基础上，分析了毫米波成像过程中的降质因素，研究并测量了系统的点扩展函数。
　　(2)针对被动毫米波图像数据集不足的问题，提出根据毫米波无源探测系统的成像过程，使用清晰的图像与系统的点扩展函数相互作用，得到模拟的毫米波图像来扩充数据集。借鉴迁移学习的思想，使用模拟毫米波图像预训练深度学习网络，再用被动毫米波图像训练集对预训练网络进行微调，得到适合被动毫米波图像重建的网络权重。
　　(3)针对毫米波图像受噪声污染严重、信噪比低、细节信息缺失等固有的特性，提出了一种深层卷积残差网络。使用反卷积层代替传统的插值预处理操作，避免将被动毫米波图像中的噪声进一步放大，且减少了网络的参数数量；使用深层网络和小卷积核，提高网络的特征提取能力和非线性拟合能力；使用残差学习网络来解决网络加深带来的梯度消失/爆炸问题，且增强了网络的稀疏性。
　　实验结果验证了本文算法对不同场景的被动毫米波图像进行超分辨率重建的有效性，验证了本文训练方式的优越性。