图像超分辨率SR（Image Super-Resolution）算法可通过低分辨率图像重建出高分辨率图像,而基于深度学习的方法相比于传统方法,在重建效果上有巨大的提升。随着深度学习的快速发展,许多神经网络结构相继出现,而生成对抗网络GAN（Generative Adversarial Network）出现后,即开始应用于图像生成方向。本文分析了以往基于生成对抗网络的图像超分辨率重建方法的一些缺点,进行了改进。主要工作研究内容如下:（1）研究并介绍了深度学习的相关理论,对不同类别的图像超分辨率的经典算法进行探究,分析了其原理,并阐述了生成对抗网络的相关知识及其在超分辨率领域的经典应用SRGAN（Super-Resolution Using GAN）。（2）为了解决SRGAN中基于残差结构Res Net的生成网络不能很好的利用低维特征以及其参数量较大的问题,提出了一种基于Dense Net密集连接结构的GAN网络。首先生成网络由4个密连接模块构成,每个模块有4个密连接层,其有很强的特征复用能力,可以将低层次的特征很好的利用起来,且在参数量上也较少;其次在上采样过程引入了基于学习方式的子像素卷积替代以往Dense Net结构中常用的反卷积以求更好的重建效果;随后设计了基于Smooth L1的内容损失函数,通过Smooth L1函数来计算VGG网络提取到的特征图损失。模型在SET5、SET14和BSD100测试集上的PSNR和SSIM值相比与SRGAN均有提升。（3）为了解决BN（Batch Normalization）层在超分辨率中效果较差的问题和密集连接GAN网络中训练不稳定的问题,首先在生成网络中移除了冗余的BN层,并分析了GAN网络中存在的问题和基于Earth-Mover距离的WGAN,随后将Earth-Mover距离引入判别损失的设计中。其次,提出了一种优化型的密集连接GAN网络,该模型不仅能更好的通过观察判别损失来监测训练的进程,重建图像在SET5、SET14和BSD100测试集上的PSNR和SSIM值也优于优化前模型。在采用了Pytorch深度学习框架以及GPU并行加速的实验环境中,将本文模型与以往的经典算法对比。通过图像评价指标PSNR和SSIM进行评估。分析了各模型在SET5,SET14,BSD100三个测试集上的结果。最后优化的模型相比于SRGAN在三个测试集上的PSNR分别提高了0.375d B,0.269d B,0.196d B;SSIM分别提高了0.028,0.020,0.015。本文模型在图像重建速度上也优于SRGAN,证明了本文设计模型的可行性和有效性。