图像的超分辨率（Super-Resolution,SR）复原是当下的图像处理领域的热点,其主要目标是从低分辨率（Low-Resolution,LR）图像中重建高分辨率（HighResolution,HR）图像,现已广泛应用在医学成像、遥感图像、雷达通信等领域。在硬件上提高分辨率已经变得十分困难,所以如何在硬件条件不变的情况下提高分辨率是SR技术的核心。目前,基于学习的方法在重建图像的质量上和模型时效性上取得重大突破,主要包括:基于稀疏编码的方法、基于深度学习的方法,将SR技术推向了新的高度。然而随着两种方法的发展,SR技术面临新的挑战。基于稀疏编码的图像超分辨技术实时性偏低,重建性能也逐渐被深度学习方法超越。深度学习方法在提高性能的同时,参数量逐渐增加,这增加了对设备的负担。为了克服参数增加的问题,本文期望从稀疏编码技术出发,将其融入到深度学习模型中,以精巧的结构来取消网络层的堆叠,从而节约参数和资源。于是本文研究了基于稀疏编码与深度学习的图像超分辨率复原技术,其目的是使用不同的编码技术设计网络并将模型推广到一般的网络和复杂的场景,从而即能获取优异的SR性能,也能占用少量的参数资源。本文的主要贡献如下:1.提出了一种基于小波稀疏编码的通道分离网络。此网络针对小波包分解的不同分量设计了不同的结构,使得每一个分量都被有效处理,而不需要叠加太多的网络层。对低频分量,模型使用了极轻量化结构。低频分量不包含太多的细节信息,使用少量的参数即可保证效果。对高频分量,模型使用包含可变形卷积的残差结构,使得参数集中在非零元素上,从而节省参数。实验表明,此SR方法使用了相对较少的参数,计算复杂度低,时效性高,达到了一流的SR性能。2.提出了基于PCA字典与稀疏编码的卷积神经网络。通道分离网络是一种特定结构的网络,是由小波分解的特性设计的,所以本文将网络推广为一般的SR网络,旨在针对一般的SR网络不增加参数地提升性能。这部分首先分析稀疏编码作用下的距离变化,并分析了低分辨PCA字典来重建HR图像的性能。根据这两点,构建了新的网络结构,对传统网络进行改造,从而使得传统网络拥有了更好的SR性能同时不增加参数。3.提出了稀疏深度学习与核预测模型。由于稀疏编码需要独立地做字典学习和编码,一定程度上降低了模型的时效性。因此,这一部分将稀疏编码推广到稀疏深度学习模型,并研究了更复杂的去模糊场景和真实场景的SR任务。这一部分改进了模糊核预测模型,冻结判别器训练生成器提出了循环模糊核预测模型。再者,这部分推导了一个包含稀疏噪声的全变分模型,并给出求解算法,最终将算法转化为超分辨网络。全变分的收敛性保证了网络的性能,在不堆叠卷积层的情况下,SR性能得以提升。结合核预测器,模型可以适应各种各样的SR场景。广泛的实验表明,模型使用了少量的参数取得了出色的效果,实时性较高。更多的,模型在图像去模糊和真实场景SR任务中均表现出色。