单张图像超分辨率(Single Image Super-Resolution,SISR)重建是当今人工智能、计算机视觉等学科的重要研究课题,自上世纪七十年代以来便受到了学术界和工业界的广泛关注。它的主要任务是:给定一张低分辨率的图片,复原出一张高分辨率的图片。高分辨率图像相对于低分辨率图像一般拥有更多的像素密度和纹理细节。该任务在当今社会有许多重要的应用场景:图像压缩领域,医学成像领域,遥感成像领域,公共安防领域,视频感知领域。然而,该课题现如今仍面临着挑战,因为原始的低分辨率图像相对于高分辨率图像丢失了大量高频细节信息导致复原困难。近年来,深度学习在计算机视觉领域的许多任务都表现出了非常强大的学习能力。因此,研究基于深度学习的图像超分辨率算法,是一项既具实际意义又富有挑战的工作。本文的主要工作具体如下:首先,本文详细地介绍了深度卷积神经网络近几年来的发展及其基本部件。其次,本文深入的阐述图像超分辨重建的发展历程,从传统的非深度学习方法到深度卷积神经网络方法,并简要分析了各类方法的特点。再者,本文提出一种基于残差Inception模块的超分网络。随着残差网络结构的提出,有效地缓解了梯度消失和梯度爆炸的问题,为此当前许多基于深度卷积网络的超分辨率算法利用残差结构增加了网络深度和参数,虽然取得了一定的提升效果,但是同时却增加了网络的训练难度和计算资源。基于残差Inception模块的超分网络主要从设计高效的特征提取模块出发:利用不同大小的卷积核提取了丰富的特征且在通道上加以级联融合;此外,它还从三个方面引入残差网络结构:Inception块内残差,局部残差以及全局残差。三种残差结构的应用不仅提升了模型的能力,而且使模型更加容易训练,更快的收敛。除此之外,本文还提出跳跃的残差Inception模块超分网络。该方法主要从整体网络结构思路出发:压缩了提出的残差Inception结构,堆叠了更多的简单模块加深网络,同时引入了稠密跳跃网络的思想,在轻量的Inception模块间连接不再简单的直接连接,而是采用稠密跳跃连接的模式。该连接方式有如下优点:加强了特征信息传递,直接复用浅层特征,增强了模型的能力。和基于残差Inception模块的超分网络相比,该方法网络更深,性能评价更好。但是基于残差Inception模块的超分网络训练时间短,重建图像的速度更快。二者提升网络性能的角度不同,各有优点。最后,本文详细的阐述了实验设计与实验对比等细节。在现有的权威公开数据集中,本文提出的模型在公认的评价上均取得了优异的效果,证明了本文方法的有效性。