随着信息技术的发展,人们获取外界信息的途径变得多种多样,其中图像作为信息传递的重要载体,在人们生活中的重要性日益增加。然而由于成像设备中硬件条件的限制以及图像传输过程中信号的干扰等因素的影响,在实际应用中获取到的图像分辨率往往较低,在视觉效果上很难达到人们的需求。故若能从低分辨率图像中恢复其高频信息,将有利于提高图像的分辨率,使得图像更加清晰,由此超分辨率重建应运而生。同时,近年来深度学习由于其强大的学习能力在各个领域中的应用越来越广泛,基于深度学习的图像超分辨率重建也成为了计算机视觉领域的重要研究方向。本文主要围绕基于深度学习的图像超分辨率重建方法进行研究,主要工作如下:1,系统阐述了深度学习在图像超分辨率领域的相关理论知识,包括卷积神经网络,残差网络,密集网络,基于学习的上采样方法,损失函数等。同时对图像超分辨率重建方法进行了分类,阐述了不同方法中的经典算法,比较了传统方法与深度学习方法的优缺点。最后介绍图像质量评价的相关指标。2,提出了一种基于多尺度密集残差网络的图像超分辨率重建方法。针对目前主流网络使用单一尺度卷积所提取的特征细节信息不足的问题,本文设计了一种多尺度卷积网络,通过融合不同尺度卷积的特征,使得重建后的图像信息更丰富。此外,为了加强特征的流通和重复利用,同时避免深层网络在训练时出现梯度消失等现象,本文将密集连接网络与残差网络融入多尺度卷积网络中,使得网络的性能更强。3,提出了一种基于多尺度金字塔网络的图像超分辨率重建方法。由于目前主流网络在图像重建过程中只使用一次上采样,这样会导致对于训练高比例因子(如8倍)时其难度较大。针对该问题,本文设计了一种多尺度金字塔网络,将经过多尺度残差模块提取的丰富特征以金字塔方式进行逐步上采样,使得网络对于高比例因子图像的重建效果得到更一步提升。