高分辨率的合成孔径雷达（Synthetic Aperture Radar,SAR）图像在图像分类、目标识别等方面有重要的应用。目前,用生成对抗网络的方法提高图像的分辨率已取得了广泛的应用。通过对高分辨率图像的判别可以使生成的高分辨率图像有更多的高频纹理信息。但是,现有的生成对抗网络图像超分辨率重建方法只包含了对高分辨率图像的判别,而忽略了低分辨率图像的作用。这不能保证生成的高分辨率图像可以被准确地降采样到原始的低分辨率图像。为了充分利用低分辨率图像的作用,提出了高低分辨率图像联合判别的SAR图像超分辨率重建算法。高低分辨率图像联合判别算法在对高分辨率图像进行判别的基础上增加了对低分辨率图像的判别,对高分辨率图像的判别使生成的高分辨率图像包含了更多的高频纹理信息,对低分辨率图像的判别保证了重建的高分辨率图像可以被准确地降采样到原始的低分辨率图像。针对这一问题,论文的主要研究工作如下:（1）研究提出了一种师生判别的SAR图像超分辨率重建算法。针对低分辨率图像判别不准确的问题,算法采用师生判别器网络架构。首先,教师判别器用于判别高分辨率图像,确保生成的高分辨率图像有更多的高频纹理信息。其次,学生判别器用于判别低分辨率图像,保证了重建的高分辨率图像可以被准确地降采样到原始的低分辨率图像。最后,教师判别器用于指导学生判别器的训练,目的是提高学生判别器的性能。（2）研究提出了一种多尺度判别的SAR图像超分辨率重建算法。针对单尺度判别空间不准确的问题,判别器采用多尺度判别的方式。判别器输出图像在不同尺度特征空间为真的联合概率,进一步增强了判别的准确性。多尺度高分判别器用于判别高分辨率图像,多尺度低分判别器用于判别低分辨率图像。此外,为了使高分判别器与低分判别器在训练过程中发挥不同的作用,提出基于均方误差的对抗损失函数,使这两种不同分辨率图像的判别损失的作用随着网络的训练而不断发生变化。本文提出的算法在哨兵1号数据集上进行了实验,并与传统方法和深度学习方法进行比较。从客观评价指标和主观效果来看,本文提出的师生判别算法和多尺度判别算法在重建高分辨率SAR图像的纹理细节方面表现更好。