图像超分辨率重建是一种根据低分辨率图像预测出细节丰富的高分辨率图像的方法。其可以克服成像设备等硬件的缺陷,通过软件的方法重建退化的图像,在安防监控、医学图像、视频播放等领域有着广阔的应用前景,是图像领域研究的热点。随着计算机硬件的发展和理论的完善,深度学习得到了极大的发展,在图像分类、目标检测、图像生成等领域成果显著。本文将基于深度学习中的卷积神经网络开展对图像超分辨率重建算法的研究,主要工作如下:（1）总结了图像超分辨重建算法的国内外研究现状,介绍了卷积神经网络方面的知识,包括上采样模块、激活函数以及损失函数。之后以上采样模块、多倍数重建、残差网络、生成对抗网络、注意力机制等为出发点,根据算法的发展脉络介绍了几种基于卷积神经网络的超分辨重建算法。（2）提出了一种基于卷积神经网络的渐进式超分辨率重建算法。当前大部分算法只能在单个网络中进行特定倍数的图像重建,且在大倍数的图像重建方面表现较差,本算法通过渐进式的方法,在单个网络中进行多个尺度的图像重建,并通过多级监督进行大倍数的图像重建。本算法提出了每级特有的残差体与共享残差体,它们由多个残差块构成。不同于大部分模型只在网络的末端对模型进行优化,本模型可以根据训练数据对的尺度对每一级进行优化,保证了算法在每一级重建的效果。（3）提出了一种基于生成对抗网络的超分辨率重建算法。当前大部分算法是基于像素空间相似性优化的模型,重建出来的图像和Ground Truth之间具有很高的峰值信噪比,但是通常缺少高频细节,无法满足人类的视觉感知。将生成对抗网络应用于图像的超分辨率重建,可以使用包含内容损失和对抗损失的感知损失来优化模型,重建出贴合人类视觉感知的图像。本算法将注意力机制、权重标准化与生成对抗网络相结合,进一步提升了重建图像的质量。