在遥感领域各项应用中,高分辨率的影像非常重要。高分辨率的遥感影像具有更高的质量和清晰度,具有很高的商业价值和应用价值。本文针对图像超分辨率算法以及这些算法在遥感影像上的应用展开研究,工作的主要内容主要包括以下三个方面:(1)调研了图像超分辨率算法的发展历史与现状,对传统图像超分辨率算法以及近年来兴起的深度学习相关算法进行了综述。(2)提供了一种基于贝叶斯框架的超分辨率算法,有效地提升了高分微纳卫星的图像分辨率。该算法基于最大后验概率模型框架,分别实现了运动估计,模糊估计,噪声估计以及图像生成模型。并针对高分微纳卫星图像拍摄的特点,将基于全变差先验的运动估计模型根据图像特点修正为基于固定位移量的运动模型,提高了运动估计的效率。通过与IBP,POCS等传统的超分重建算法的性能进行比较可以发现,本文提供的算法具有相对较好的重建效果。(3)针对哨兵二号卫星图像,设计了基于对抗学习和残差块结构的卷积神经网络SenSR-GAN,网络包括生成器和判别器两个部分,在生成器中,网络首先采用不同尺寸的卷积层结构对输入图像进行多尺度的特征提取,然后网络通过残差块结构学习低分辨率特征到高分辨率特征的非线性映射。最后采用亚像素卷积层将多通道特征重建为高分辨率图像。而判别器主要用于判断输入图片是真实图片还是计算机生成的图片。通过生成器和判别器的对抗训练,可以获得与真实图片分布相近的高分辨率图片。在对抗训练中,我们采用了综合视觉感知损失,对抗训练损失,最小均方差损失以及正则项损失的误差函数,从多个维度保证生成图像的质量。我们采用了包括峰值信噪比,结构相似性在内的多种指标对算法进行评估,量化的结果表示在哨兵二号图片上文网络具有一定的优越性。此外,由于大气的影响,在某些卫星图片中存在一定程度的雾化现象。为了有效地对这些雾化的输入图像进行超分辨率,我们设计训练了Dehaze-SenSR网络。相比于直接使用基于暗通道先验的去雾算法,该网络能够在提高输入图像分辨率的同时有效的去除图像中存在的雾化现象,并且生成图像的细节也更加丰富。