高分辨率的遥感图像在环境检测,土地覆盖分类,城市经济水平评估和资源勘探等领域具有广泛的应用。但是从卫星光学成像传感器捕获的遥感图像在传输中受相对运动、大气扰动和噪声等因素的影响,遥感图像的质量有限,难以满足实际场景的应用。图像的超分辨率重建技术打破了硬件设备和工艺的限制,从软件和算法层面提升图像质量。因此,遥感图像的超分辨率重建,是一种经济有效的获取高分辨率遥感图像的方法。随着深度学习在各个领域的快速发展,基于卷积神经网络的图像超分辨率重建方法大量的涌现并取得了显著的效果,但大多数算法针对的是一般自然图像。由于遥感图像退化的因素与普通的数码照片相比更加复杂,推断遥感图像的高频细节更加困难。本文围绕着重建遥感图像中更深层的细节信息和学习退化的遥感图像中更复杂的映射关系,从深度和宽度的角度来改进卷积神经网络,主要的研究成果如下:(1)综述了基于卷积神经网络超分辨率重建的经典的浅层网络,针对浅层网络感受野小,提取特征有限的问题,对高效子像素卷积网络(ESPCN)进行改进。设计了一种漏斗残差块,通过多个漏斗残差块串联来代替传统超分辨率的非线性映射部分。可以学习更加复杂的映射关系,挖掘更深层次的图像信息,更加适应遥感图像。实验结果表明,改进后的网络在客观指标和主观性上优于原网络,更加适应遥感图像的重建。(2)在介绍的经典的深层网络的超分辨率算法的基础上,针对深层网络出现的结构单一,不能灵活适应特征等问题,本文提出了一种用于遥感图像的超分辨率的自适应多尺度特征融合网络。首先,从原始的低分辨率图像中提取特征。然后采用几种自适应多尺度特征提取模块,挤压激励和自适应门控机制进行特征提取和融合。最后,使用亚像素卷积方法重建高分辨率图像。对三个不同分辨率的数据集进行了实验,研究了关键网络结构细节,如自适应多尺度特征提取模块的数量和门控连接方式,并定性和定量分析了不同比例因子的遥感图像的超分辨率。结果表明,本文的方法优于经典方法,如超分辨率卷积神经网络(SRCNN),高效子像素卷积网络(ESPCN)和多尺度残差卷积神经网络(MSRN)。