图像的超分辨率重建,是指在不改变成像方法的基础上,通过图像处理技术,从算法层面提高图像分辨率,构建出更高质量图像。该技术目前已经在医疗、检测、通信、公共安全以及遥感成像等多个领域得到了广泛应用。近年来,随着机器学习,尤其是深度学习技术的快速发展,基于深度学习模型的图像超分辨率重建技术已经发展成为主流模型,并进而推动了图像超分辨率技术研究和应用的快速发展。本论文正是对该热点领域的探索。首先对经典的SRGAN（Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network）模型进行了研究和改进,通过对比实验,验证了改进的有效性。然后以道路交通标志图像的超分辨率重建为应用背景,验证了图像超分辨率应用的可行性。论文的主要工作如下:（1）通过查阅大量资料,选择以重建出图像更有真实感的SRGAN算法作为基础进行研究,之后对SRGAN的激活函数做了改进:分别用Swish和Mish函数替代SRGAN的PRelu和Leaky Relu函数,对比实验表明,改进后的模型有更低的损失函数损失值、更快的收敛速度和更高的训练稳定性。（2）针对SRGAN模型重建出来的图像峰值信噪比低和图像有伪影问题,提出了一种改进的模型--基于深度递归残差结构的生成对抗网络的模型SDSRGAN（Squeeze-and-Excitation Deep Recursive Residual Network Generative Adversarial Networks）。该模型的主要特点有:首先设计了一种新的残差块,残差块中添加了SE module来快速提取图像重要特征,提高全局感受野,并且去除了批规范化层来降低参数量和计算复杂度,同时将卷积层和激活层位置倒换以提高残差块的性能;其次把递归网络和残差网络结合,在不增加参数情况下加深网络层,提高图像的重建质量;最后将Adam优化器更改为RAdam优化器以方便模型的训练。实验结果表明,与现有的其他经典的超分辨率算法相比,SDSRGAN在客观评价指标PSNR/SSIM和主观评价中都表现出更好的性能。（3）将图像超分辨率重建技术应用于交通标志图像的重建上,用以提高辅助驾驶中的交通标志识别准确率。针对交通标志图像的特征和交通识别领域要求的实时性,设计了基于交通标志图像的算法模型TRSRGAN（Traffic Sign Super-Resolution Generative Adversarial Networks）。模型中改进了残差块,将混合深度卷积用到残差网络中。在损失函数上,用Charbonnier函数作为内容损失来提高重建图像的精度;并用预训练的VGG网络激活前的特征值计算感知损失,使得重建交通标志图像有更好的纹理色彩。最后通过自制一个交通标志数据集CQUNJ205以方便模型的训练,并用Cutblur的图像增强方法提高网络性能。实验结果表明改进的模型在参数减少的情况下,重建的交通标志图像在客观评价指标上优于其他对比算法,同时在纹理细节和色彩亮度上也有所提升。