近年来,深度卷积神经网络在单图像超分辨率重建方面取得了卓越成就,但大多方法是通过加深网络层数来提升图像重建性能。在网络层数加深的同时,参数数量、内存空间和计算复杂度也随之增加。受计算能力、内存空间和功耗等方面的限制,这些方法在移动或嵌入式等资源受限的设备中实用价值不大。本文提出一种新型递归残差网络,旨在不损失图像恢复质量的前提下,构建结构更紧凑、模型参数更少、计算复杂度更低的网络模型,提升单图像超分辨方法在资源受限的移动或嵌入式等设备上的实用价值。具体来说,本文方法的主要贡献有以下几点:(1)引入局部残差学习传递更多图像信息。在VDSR方法中,残差图像是从网络的输入和输出估计的,称为全局残差学习。此外,训练非常深的网络可能会遇到性能退化问题,其原因在于图像经过多层传输后,会丢失大量的细节信息。为解决该问题,本文方法引入局部残差学习的增强型残差块结构,其中恒等分支不仅能够将深层图像细节传送到网络后层,还有助于梯度的流动。(2)采用残差块的递归结构减少参数数量。本文方法所有残差块都要加上通过第一层卷积层提取的特征图,也就是说,每个残差块的恒等分支相同。由此,将递归结构引入到残差块中,构成一个递归残差网络。并且权重集合在这些残差块之间共享,参数数量大大减少,模型结构更加紧凑。(3)通过反卷积操作降低计算复杂度。网络的计算复杂度与输入图像的大小成正比。本文方法使用原始未插值的低分辨率图像作为输入图像,而有些超分辨率方法则使用双三次插值后的低分辨率图像作为输入图像,前者图像的大小约为后者的1/n2(n为放大因子),也就说,本文方法的计算复杂度约降低1/n2。