随着现代信息处理技术及图像传输技术的飞速发展,人们对数字图像能够表达信息的能力要求越来越高。图像超分辨率（Super-Resolution,SR）是一种提高数字图像分辨率的技术,在数字图像处理领域应用广泛。图像超分辨率可以将低分辨率（Low-Resolution,LR）的图像重建恢复出一张高分辨率图像（High-Resolution,HR）。高分辨率技术通常在硬件和软件层面上实现,在硬件层面上,图像超分辨率的实现仍存在诸多限制,比如物理成像的局限等问题。在软件层面上,图像超分辨率利用时间带宽换取空间分辨率,可以有效克服硬件的局限。当前在软件层面的图像SR分成基于插值、基于重构和基于学习三大类。目前基于学习是研究的主流方向,通过利用大量数据进行训练学习出LR域到HR域的映射关系,从而指导图像的重建。在深度学习领域,卷积神经网络（Convolutional Neural Network,CNN）凭借着其优秀的学习能力在SR领域得到了广泛的应用,但是大部分CNN算法并没有考虑到图像非局部相似性,而非局部信息被证实在图像重建过程中可以有效地提升性能。本论文针对传统CNN算法无法有效提取图像的非局部特性的问题开展研究工作。工作内容包括:1.本文提出一种基于3D卷积神经网络（3D Convolutional Neural Network,3DCNN）的图像超分辨率方法。该方法采用主成分分析（Principal Component Analysis,PCA）随机对部分数据集进行降维处理,去除冗余信息并保留相似信息,其余数据集用来确保包含基本信息。本方法利用传统块匹配和K最近邻（K-Nearest Neighbor,KNN）算法选择K个相似的图像块作为基本单元输入到网络中充当第三维信息,构建3D卷积神经网络用来提取图像块集中的局部和非局部信息,最后从增强的图像块中重建出SR图像并通过图像自融合操作使得图像表征得到更好的效果。网络架构采取8层全卷积的基础模型,引入残差网络用来解决模型深度所带来的梯度消失或爆炸问题;同时,借鉴递归神经网络（Recursive Neural Network,RNN）思想,采用循环单元,实现参数共享,降低网络复杂度;最终,实验结果显示图像超分效果相比传统CNN算法得到改善。2.本文提出一种基于非局部操作（Non-local operation,Non-local）的图像超分辨率方法。该方法基于Non-local混合残差结构网络在2D层面上提取图像的非局部相似性,降低了 3DCNN的时间复杂度并且加强了图像块在网络层面的联动。对3种不同Non-local混合残差结构的计算复杂度和重建性能进行对比,并将引入了Non-local混合残差结构的网络模型和常规CNN算法进行了对比,实验结果表明引入混合残差结构的网络模型能取得更好的效果。