图像超分辨率重建是图像处理技术中的一个重要领域,也是目前计算机视觉热点研究方向之一。其技术核心是从一幅或多幅低分辨率图像重建出高分辨率图像。在大多数计算机视觉处理任务中,通常需要高分辨率图像用于其后续的图像处理、分析和理解。在安防监控领域中,由于视频图像压缩率较高,如何改善图像的质量显得尤为重要。但是,由于受到图像采集设备和环境的影响,采集到的图像数据不能满足计算机视觉任务对图像分辨率的要求,常规改进硬件提高图像分辨率的成本高且费时费力。因此,通过软件算法提高监控图像数据的分辨率成为可行的解决方法。目前主要有基于插值的方法、基于先验知识的方法、基于深度学习的方法。前两种方法主要存在着有条块效应、大尺度上表现差等缺点。深度学习具有自动提取图像特征的优点。但是难以从深度的特征中获取相似度高的特征进行超分辨率重建图像。因此,本文主要针对基于深度学习的图像超分辨率重建技术进行研究,设计特征区域约束学习模块,充分利用特征图之间的相似特征进行超分辨率重建。其主要工作如下:分析和研究卷积神经网络提取特征的基本原理和模型设计方法。针对几个经典卷积神经网络算法,如LeNet、AlexNet、VGG、ResNet等,进行了研究和分析。验证了卷积神经网络在不同尺度空间中提取特征的优势,同时发现了不同尺度的特征图之间存在着区域相似的特征。因此,本文提出一种利用特征图之间的相似特征约束学习来提升图像超分辨率重建的方法,基于深度卷积神经网络和残差学习模块,加入相似特征约束学习模块,同时优化损失函数改进深度卷积神经网络对特征的提取和利用,进行提高图像超分辨率重建质量。实验方面,本文在自然场景下标准DIV2K高清数据集和自制的监控相机下的监控场景图像数据集上进行实验。实验结果表明了模型的优越性和鲁棒性。最后,本文研究了几个经典的基于卷积神经网络的图像超分辨率重建算法,如,SRCNN、EDSR、SRGAN、DBPN等,进行了试验和研究,同时和本文提出的算法进行了实验对比和分析。