各领域在得到图像的过程中,由于拍摄距离、拍照设备分辨率、模糊、噪声、降采样和形变等因素的影响,导致无法获得高分辨率的图像。但是,高分辨率图像在各种领域,如医学、军事、交通等都用途广泛。因此,如何将得到的低分辨率图像转变为高分辨率图像,提高图像质量,一直以来都是成像技术领域亟待解决的问题。传统使用硬件的方式价格高昂,且得到的图像质量较差,而使用软件提升图像分辨率,具有价格低廉,应用面广泛,灵活性高等优点。深度学习的流行为图像超分在软件层面上带来了新的研究方向,本文将在深度学习领域中基于生成对抗网络的图像超分辨率技术方向上继续深耕。在这一方向的研究上,本文主要从以下几个方面进行:首先,对深度学习以及图像超分辨率技术理论知识进行详细研究。首先对深度学习这一领域进行系统分析和研究,接着了解了超分辨率重建技术的分类,评价指标,并介绍了基于深度学习的图像超分辨率重建一般过程以及经典的模型。之后对生成对抗网络模型,以及基于生成对抗网络的图像超分模型的开山之作SRGAN进行系统性的分析研究,并进行了一组实验,探究规范化对SRGAN模型的影响。然后针对SRGAN模型存在的缺点,结合当前出现的较新的网络模型,构建了一个新的模型结构SRCWGAN。最后,使用新的网络模型进行实验,并使用图像超分领域的4个经典的数据集:Set5、Set14、BSD300、Urban100进行测试,与已有的模型结构如Bicubic、SRCNN、VDSR与DRCN和SRGAN等在PSNR、SSIM数值指标方面进行比较,以验证本论文构建的网络模型在图像超分重建方面有着更加优异的性能。