太赫兹成像技术在无损检测和安检等领域中有广阔的应用前景,但由于太赫兹成像系统受硬件和衍射极限的限制,太赫兹图像的分辨率较低,缺失细节信息,质量较差,因此提高太赫兹图像的分辨率和质量有很重要的意义。本文以太赫兹调频连续波成像系统作为实验对象,用基于深度卷积神经网络的图像超分辨算法来提高太赫兹图像的分辨率和质量。研究了太赫兹图像的退化模型,将其建模为原始高清图像与模糊核卷积然后下采样再加上噪声,用实验法测量出本文的太赫兹调频连续波成像系统在焦平面处的点扩散函数,并给出了它的近似的数学表达式。设计了一种性能优秀的深度卷积神经网络模型,使用多级残差结构和长短跳跃连接来提高网络深度同时防止出现“梯度消失”,适当使用了1×1卷积层,在保持性能的同时降低参数数量,使用批归一化来加快网络训练速度。基于太赫兹图像的退化模型对网络进行训练,在训练时加入不同宽度的模糊核和不同等级的噪声,使得网络可以同时提高图像的像素分辨率和空间分辨率,并且泛化能力大大增强,仅用一个网络就可以处理多种退化情况。在模拟太赫兹图像和真实太赫兹图像上对本文的超分辨方法和其他经典算法做了对比测试,实验证明了本文的超分辨方法能显著提高太赫兹图像的分辨率和图像质量,并且其效果明显优于传统方法。把基于深度学习的超分辨算法扩展到图像复原算法,用同样的网络模型和训练方法实现了基于深度学习的去噪和去模糊算法,并用实验证明了这些算法明显优于传统方法。基于MATALB GUI设计开发了一款图像复原软件,集成了基于深度学习的图像去噪、去模糊和超分辨算法,软件界面友好,操作简单,让普通用户也可以轻松地应用这些算法来处理各种图像。