随着遥感、监控、影像技术的快速发展,获得清晰的高质量图像这一需求越来越被人们重视。然而通过硬件技术直接获取高分辨率图像成本是很高的。而且受到存储空间、传输带宽的限制,先获取低分辨率图像再通过算法改善图像质量是一种通行的做法。因此,图像超分辨成为十分具有应用价值的研究项目。相比序列图像超分辨,单图像超分辨的应用范围更广,本文的研究重点是单图像超分辨技术。本文在分析研究了目前比较流行的算法后发现,基于学习的超分辨方法的图像复原效果普遍好于基于插值的方法。但是,基于学习的方法在高倍超分辨任务下仍然不能获得令人满意的结果。另一方面,针对多尺度超分辨任务,大部分现有的方法采取的策略是多次学习以获得不同尺度的低分辨率图像到高分辨率图像的映射。基于上述观察,本文提出并改进了一种新的单图像超分辨方法。主要的研究内容如下:首先,提出了用于单图像超分辨的层级递进式深度神经网络结构。该结构从图像金字塔思想入手,将高倍超分辨任务分解为多个子任务,每个子任务可以由一个超分辨单元网络单独完成。多个超分辨单元网络级联形成整个网络。本文采用了局部残差、密集连接等具有跳过连接性质的结构以改善信息流传递效率,避免梯度消失。其次,由于峰值信噪比等客观指标并不能完全反应人眼视觉感受,本文在层级递进网络基础之上提出了相应的判别器,形成用于图像超分辨的层级递进式生成对抗网络。使用该网络可以获得更加符合人眼视觉感受的超分辨图像。最后,使用set5,set14,BSD100等数据集对网络进行测试。与目前流行的其它超分辨方法相比,本文提出的层级递进网络重建结果在各个测试集上的PSNR值高0.25dB~2.35dB,SSIM值高0.003~0.053。在高倍超分辨任务下,加入判别器训练的生成对抗网络的超分辨结果减少了大上采样尺度重建通常出现的棋盘伪像与过度平滑,可以更好的复原图像的细节纹理。