随着深度学习技术的不断发展,计算机视觉领域发生了巨大的变革。在计算机视觉中,有一种叫做图像超分辨的技术,它可以将低分辨率图像转换为高分辨率图像,从而使图像质量得到提升。图像超分辨技术在人类的生活中发挥了重要的作用,尤其是在卫星遥感、医疗图像、视频监控等方面扮演着重要的角色。然而传统的图像超分辨方法存在着图像提升效果有限、对于边缘细节信息处理不理想等问题,研究者们发现使用深度学习中的生成对抗网络做图像超分辨可以得到更好的效果。因此,对基于生成对抗网络的图像超分辨技术开展研究具有重要的应用价值。基于生成对抗网络的图像超分辨算法由生成模型和判别模型两部分组成,其中生成模型对图像超分辨结果起到了决定性作用。生成模型的结构通常采用深度残差网络,为提高生成模型的性能,本文对基于深度残差网络的图像超分辨算法进行了研究与改进。由于传统的图像上采样方法在重建图像信息恢复方面远低于基于深度学习的图像上采样方法,本文对基于深度学习的图像上采样方法进行了实验对比,最终选择了亚像素卷积层来实现基于深度残差网络的图像超分辨算法中的图像上采样功能。然后,本文对影响基于深度残差网络的图像超分辨算法的因素进行了分析和实验,得到了改良的基于深度残差网络的图像超分辨算法模型。具体改良包括:去掉标准残差块中的批量规范化层;使用L1范数损失函数代替L2范数损失函数;增加残差块个数以及在残差块内部执行过程中加入残差缩放操作。改良后的基于深度残差网络的图像超分辨模型效果较好,该模型为后续基于生成对抗网络的图像超分辨的研究与改进奠定了基础。最后,本文对基于生成对抗网络的图像超分辨算法进行了研究与改进。在生成模型的设计中,本文采用改良的基于深度残差网络的图像超分辨模型结构。在判别模型的设计中,本文借鉴了VGG网络的设计思想,使用了多个3x3的卷积层构成了判别模型的主体结构。由于生成对抗网络中存在对抗博弈的思想,所以生成模型的损失函数不能直接使用基于深度残差网络的图像超分辨模型中的损失函数,因此,本文还提出了一种基于感知内容损失、L1范数损失和对抗损失的混合损失函数作为生成模型的损失函数。通过与传统的双三次插值法以及原有的基于生成对抗网络的图像超分辨方法进行实验对比,本文改进的算法生成的图像质量最高,相较于原来的基于生成对抗网络的图像超分辨算法,改进后的算法在峰值信噪比与结构相似度上均有不同程度提升。