随着互联网和大数据的发展,图像日益丰富并成为人们社交生活的一部分。在通讯、监控、遥感、医疗等领域,图像都是重中之重。可由于硬件领域摩尔定律限制、拍摄条件和环境的变动,得到和保存的图像往往存在问题。一是图像有噪声、模糊,二是纸质图像老旧后会出现褪色、划横,三是图像尺寸可能太小。为解决上述问题,近年来基于神经网络的图像超分辨率重建和修复技术层出不穷。图像超分是指从一幅或多幅较低质量的图像中产生高质量图像的技术。常见超分算法都预先设定一个整数放大倍数,通过双立方降采样得到低分辨率图像,然后据此训练模型来实现超分。然而,双立方降采样的图像不符合真实情况,基于这些退化图像得到的网络不太实用。若要将图像放大小数倍（如2.5倍）,则常见网络均不能胜任。本文第一个目的是在引入真实图像退化模型的基础上只训练一个模型来实现多倍率超分。图像修复则是指修复老旧图像中存在的噪声、模糊、划横等退化。常见的修复模型也多采用双立方降采样退化来获取低质量训练数据。所以本文第二个目是基于具有真实退化的图像来训练修复网络以修复图像。综上,本文研究了神经网络在单幅图像超分及图像修复两个方面的内容:1.引入了新的图像退化模型。传统的降采样退化图像不符合实际,新的退化模型完全从真实图像中收集,所以最终得到的网络能更好地处理真实图像。2.使用分组卷积和通道注意力机制。传统的残差网络存在冗余,新的分组卷积方法将数据分成多组,通过组卷积方式可以学习到更丰富的细节,对图像处理性能提升很有帮助。通道注意力机制则在分组卷积的基础上更加细致地决定了特征图像的使用,将重要的数据通道选择出来用于图像处理。3.借助元学习策略,通过大规模的同类超分任务训练具有良好泛化性的元学习器。通过该元学习器可以帮助超分网络得到多种放大因子对应的网络权重参数。这些参数基于元学习器的先验知识,用于解决一般超分网络只能对图像进行单倍率超分的情况。4.借助域翻译策略来修复老旧图像。在不知道真实老旧图像及其退化的情况下,通过对抗性生成神经网络来约束合成低质量图像和真实老旧图像到接近的隐域,合成图像也使用从真实老旧图像中收集的退化模型来生成。之后利用自动变分编码器将图像的隐域表示翻译为高质量图像,实现图像修复。