随着互联网行业的快速发展,社交网络图片海量增长,人们加大了对图像清晰度和计算速度的需求。图像超分辨率技术已经成为人工智能领域的研究热点,已经普遍运用在医学图像处理、面部识别、监视和超高清电视等领域。深度学习作为目前图像处理的一个重要研究手段,比传统方式更有明显优势。目前已有的基于深度学习的图像超分辨率算法主要存在两方面的问题:一方面,传统的卷积神经网络算法在网络模型的训练过程中不能很好的提取图像的特征,浅层的卷积神经网络不能提取到更好的边缘和纹理信息,而深层的堆叠卷积虽然可以将图片的特征得到更好的拟合,学习到更高层次的纹理信息,但同时也可能由于层数的过多而带来梯度弥散、特征丢失等问题;另一方面,图像重建时使用的损失都是单任务损失,在图像重建过程中只能起到一定程度的指导作用,不能更好的将图像进行重建。针对这些问题,本文主要从以下几点进行研究:(1)针对特征提取的问题,主要研究深度学习网络架构如何更好的提取图像的高频纹理信息。本文提出一种基于残差神经网络图像超分辨率方法,并对有无使用残差和跳层结构的网络进行了实验对比分析。(2)针对图像重建的问题,主要研究深度学习中如何速度更快、效果更好的重建出超分辨率图像。本文采用反卷积代替插值上采样,并在大规模图像检测竞赛的测试集上进行测试,证明该方法的有效性。(3)针对网络收敛速度的问题,提出基于多任务损失的图像超分辨率方法。本文的多任务损失函数分别应用于本文网络的多个训练阶段中。针对相同的网络结构,在2倍和4倍图像处分别使用损失函数同时对网络进行参数调节比仅在网络4倍图像输出处使用一个损失函数调节参数,网络的收敛速度得到增强,网络的学习效率得到了提升。(4)本文结合自己提出的两种改进算法设计并实现了图像超分辨率重建系统。通过采用Python编程方式,对系统中的每个模块进行了详细的分析与设计。系统中的模块主要为数据上传、自然图像图像超分辨率模块、医学图像超分辨率模块和图像保存模块。其中图像超分辨率模块使用了本文提出的MSRCNN-fast、DTLCNN、MCRCNN算法。综上所述,与图像超分辨率的许多经典算法进行对比分析,本文所提出的算法在超分辨率效果上有一定的优势,在实际生活中也取得了一些应用价值。