现阶段,由于路面裂缝图像的采集会受到成像设备和外部环境等因素的影响,高质量清晰的裂缝图像数据的获取无法得到保障。若是直接对路面裂缝图像进行裂缝识别或是路面性能分析,结果通常会存在较大误差。因此,需要对采集到的路面裂缝图像进行超分辨率重建的处理。从目前图像超分辨率重建研究现状看,重建出的图像在纹理细节上的表现还与原始高分辨率图像有着较大差距,并且没有一种超分辨率方法是针对路面裂缝图像所设计的。本文对于存在的问题,将能够提升图像细节表现的注意力机制融入到了生成对抗网络中,开展了针对路面裂缝图像超分辨率重建方法的研究与设计,最终在路面裂缝图像评价方法的基础上进行了试验对比分析。主要研究工作如下:首先,研究了基于卷积神经网络、基于深度递归卷积神经网络和基于生成对抗网络这三种典型的超分辨率重建方法。并利用采集到的路面裂缝图像数据集开展了图像超分辨率重建模型的训练与测试。为了使得模型达到最优效果,还设置了不同的网络参数,分别训练出多种结果进行调优。在最佳效果模型的基础上,通过试验结果的对比分析,总结了不同方法的优缺点,为研究改进超分辨率重建方法提供了明确的方向与目标。其次,将注意力机制引入到了生成对抗网络中,改进了原有生成对抗网络中生成器特征提取模块的结构和判别器损失函数的设计。将生成器划分为浅层特征提取网络、非线性映射网络和上采样网络三部分。所设计的注意力递归网络替代了原有非线性映射网络中的卷积层级联结构。其中,注意力递归网络还融入了循环门控单元和改进的密集残差单元。经过改进后的生成对抗网络具有了较好的视觉感知能力和深层特征提取能力,同时也降低了网络参数的规模和训练的复杂度。最终,通过路面裂缝图像超分辨率重建的试验对比验证,相比于原有方法,改进后的方法所重建出的图像较为清晰,纹理细节也得到了改善。改进后方法的PSNR和SSIM数值在路面裂缝图像数据集上的表现分别到达了29.21d B和0.854。最后,设计了针对路面裂缝图像超分辨率重建的综合评价方法。原有图像超分辨率重建评价方法只能在图像质量上给出定量的评价数值,而无法针对特定应用场景的图像做出定性评价。因此,在路面裂缝图像重建后,还对图像进行了裂缝检测和裂缝分割的处理。最终,通过试验结果来说明重建后的裂缝图像对于裂缝处理的准确度是有所提升的。