3D图像作为信息传递的重要载体，能够呈现场景中物体之间的深度关系，在电影电视、科技教育、远程医疗等领域有着广阔的应用前景。与此同时，人们对3D图像质量也提出了更高的要求，包括分辨率和清晰度等。然而，受传感器精度的限制和噪声的影响等，3D图像分辨率常常难以满足实际需求。因而，通过超分辨率技术，提高3D图像的空间分辨率并抑制噪声，有着重要的研究意义。本文针对3D图像超分辨率技术，从基于深度学习的深度图超分辨率和双目立体图像超分辨率两个方面开展了深入研究。
　　本文提出了一种基于多级递归引导和渐进监督的深度图超分辨率重建方法。首先，提出了多级递归引导模块，递归提取彩色流和深度流的特征，并使用彩色特征对深度特征进行多级递归引导。然后，构建了渐进监督模块，对深度重建分支进行逐级监督，从而获得不同等级的深度残差信息。最后，采用残差融合和重建策略，将不同等级的深度残差信息进行融合，获得重建的高分辨率深度图。实验结果表明，所提出的方法能够提高深度图的空间分辨率，获得边缘更加清晰的深度图。
　　本文还实现了一种基于残差门控融合网络的双目立体图像超分辨率重建方法。该方法主要包括空间特征提取、残差门控融合和重建等部分。首先，在空间特征提取部分，通过单图超分辨率框架，提取左右视图的空间特征。然后，基于串联的门控循环单元，实现残差门控融合，对左右视图特征进行筛选及融合。最后，通过重建部分实现双目立体图像超分辨率重建。实验结果表明，所实现的方法能够提高重建质量，获得纹理细节更加清晰的双目立体图像。