随着图像优化等技术的日益发展,图像超分辨率重建成为其中的一项热门研究方向,它在医疗、军事、航天等领域都被广泛应用。传统的超分辨算法基本分为插值、重建和学习等,但传统的方法存在边缘模糊、丢失细节、重建时间过长等缺点。目前主流方法是基于深度学习进行超分辨重建,其优化目标为是实现性能与重建质量之间的平衡即降低处理时间提高重建质量,效果大幅优于传统方法。基于深度学习的图像超分辨方法中,SRCNN是具有三个卷积层的卷积神经网络,也是开山之作。而FSRCNN是在SRCNN基础上进行改进、ESPCN为使用亚像素卷积层实现单图像以及视频的超分辨、VDSR为基于残差网络的更加深层的重建方法。后续的方法在对抗神经网络的图像超分辨方法SRGAN出现之前多为网络结构的加深,而SRGAN则是将超分辨问题的解决提升到新的高度。传统方法在4倍率放大要求下,其图像会显得更为平滑而缺少细节,而SRGAN可以重建细节,使图像更具真实感。但由于SRGAN的网络结构中,生成网络中残差块个数多、残差块内部结构复杂、使用的传统卷积方式导致计算量大等原因会造成计算复杂,无法在保证重建质量的情况下提高重建速度,尤其在移动端等计算能力有限的条件下,重建质量受计算能力影响较大。针对SRGAN在计算能力有限的设备上重建质量较低问题,本文提出了改进模型ShuffleNetSRGAN,改变网络结构,降低计算复杂度。具体研究如下:(1)用ShuffleNet单元构成生成网络结构替换SRGAN生成网络中的Resnet残差块,提出了ShuffleNetSRGAN模型。实验中,将训练数据图像做不同尺度的模糊预处理后传递于生成网络,增加模型鲁棒性。经过本文实验得知,具有13层ShuffleNetSRGAN可以使用更少的时间完成更出色的重建质量。(2)提出针对ShuffleNetSRGAN模型产生异常纹理的限制模型ResSRCNN,通过实验证明重建效果较SRCNN提升10%,也很好的完成了对ShuffleNetSRGAN的异常纹理抑制作用。使其图像重建效果有了明显提升。