图像超分辨率是一种通过算法手段提高图片的分辨率的技术。由于生成的高分辨率图像具有更多的细节信息,便于观察及进一步的处理、分析,因此,该技术在遥感、医疗、安防等领域有着重要的应用价值。从概念被提出以来,图像超分辨率技术经历了半个多世纪的发展,出现了多种经典的算法。部分算法已经作为常用功能,内嵌到各种图像处理软件中。然而,这些算法或注重速度、或注重质量,但是难以同时保证两个方面。直到近些年,随着深度学习技术的发展,该领域诞生出一系列基于深度学习的图像超分辨率算法,不但可以保证合理的重建时间,而且重建质量远高于传统算法。本文在这些算法的基础上做了比较深入的研究,主要工作包括:(1)研究了深度学习技术,以一种比较简要的方式串联了该技术的各关键点。同时,研究了主流的基于深度学习的图像超分辨率算法,包括SRCNN、VDSR、FSRCNN等算法。最后,对这些算法进行归纳总结,得到这些优秀算法背后的通用知识,并基于此提出两种新的超分辨率算法。(2)提出一种基于多通道卷积的图像超分辨率算法。该方法针对经典的SRCNN算法存在的两个问题:1)训练过程中收敛速度过于缓慢、2)模型对于区域特征的利用不够充分,导致重建的高分辨率图像纹理模糊;做出相应的改进:针对第一个问题,在构建网络模型时加入一条残差链接,同时采用MSRA初始化方法对模型权重进行初始化操作,两点改进共同加快模型训练收敛速度;针对第二个问题,提出使用多通道卷积来提取丰富的区域特征,增强模型的非线性映射能力,更有效地利用提取到的特征进行高分辨率图像重建。实验结果表明,提出的算法在一定程度上解决了上述问题,取得较好的超分辨率效果。(3)提出一种基于稠密模块的图像超分辨率算法。在更深一步的对相关算法进行研究时,发现:经典的超分辨率算法均采用堆叠式设计模式,这会带来特征遗忘问题,即不同层的卷积核会提取重复的特征,导致计算资源的浪费。针对这个问题,提出使用稠密单元而不是传统的卷积层作为模型的主要组成部件,该单元可以记住已经得到的特征,促使后续的模块专注于提取更加多样化的图像特征。实验表明,同经典的算法相比,该算法可以提取更加丰富的图像特征,进而拥有了更加优秀的超分辨率重建效果。