作为一种主要的信息来源以及我们认知世界的媒介,图像在我们生活中无处不在。图像处理技术被用于各个领域,例如安防监控、遥感成像、医学成像等。由于设备分辨率不足、复杂的环境因素和图像传输过程中的损耗,都会造成图像分辨率下降的问题。为了重建图像细节,获得更高品质的清晰图像,超分辨率重建技术应运而生。但是由于缺乏原始场景和成像过程的先验知识,超分重建成为难解的成像退化的病态逆问题。基于深度学习的方法通过对大量数据的学习和拟合,建立高清场景和退化图像之间的映射关系,在求解超分重建问题上具有优势。本文提出两个新的轻量级超分辨率重建模型,从网络结构和边缘增强上改进了增强型生成对抗超分辨率重建网络ESRGAN存在的不足,获得了较好的视觉效果和较高的效率。由于ESRGAN网络结构庞大,对算力资源极其依赖,本文提出一种基于编解码结构的优化方法,通过改进其网络结构来达到轻量化网络的目的。首先,通过去掉ESRGAN中的判别网络来简化网络结构和抑制重建图像中的虚假纹理。接着,缩减ESRGAN所采用的残差密集块RRDB的层数,以进一步减少网络参数量和计算量。然后,在RRDB的结构上运用编解码的思想对图像进行下采样和上采样,进一步轻量化网络结构。最后,为了减少因采样带来的特征丢失,采用了跳跃连接的方式尽可能地保留特征信息。本文还提出了一种基于边缘增强的超分辨率重建方法。ESRGAN通过深层的特征提取模块和判别模型共同作用使重建图像具有丰富的纹理信息。本方法在缺少这两个条件下,通过引入边缘检测模块来增强边缘信息。因为Laplace算子对图像边缘提取具有非常不错的效果,所以本方法利用Laplace边缘检测来增强网络的纹理信息。本方法还提出了一种结合内容损失、感知损失和边缘损失的目标函数,使整个网络学习更加充分和高效。实验结果表明,本文提出的方法取得了较优的重建效果,有效减轻了ESRGAN的网络参数量,并且其轻量级的网络结构在重建效率上具有优势。