自生成对抗网络被引入图像超分辨率重建以来,越来越多的相关模型被提出用来提高超分辨率重建图像的视觉效果和图像质量。如何针对不同类型的图像设计适合的算法模型,并将算法轻量化使其能够实用化,是一个值得深入探讨和研究的主题。本文针对可见光图像和红外图像在不同的实际环境中分别设计了适应其特点的对抗生成网络模型,在提高主观视觉效果的同时,降低了算法的模型复杂度,避免模式坍塌和梯度消失等现象的出现。主要研究内容包括:（1）针对基于学习的图像超分辨率重建算法中存在的边缘模糊,纹理细节不足等图像质量问题,以及网络参数总量庞大,算法复杂度高等现象,基于深度分离卷积和对抗生成网络,文中提出了一种超分辨率重建算法（Depthwise Separable Convolution Dense Block-Generative Adversarial Networks,DSCSRGAN）。首先,设计新的深度分离卷积残差块作为基础构建模块用于生成器网络,该模块提高了学习和提取图像特征能力的同时也大幅减少了参数总量,对于判别器网络则舍弃批归一化层,减少了图像伪影。其次,设计了频率能量相似度损失函数,以约束生成器网络生成质量更好的超分辨率重建图像。（2）针对红外图像信息简单、纹理单一、特征少和模式单一的问题,设计了全新的基于异构核卷积结合对抗生成网络的红外图像超分辨率重建算法（Heterogeneous Convolutional Wasserstein GAN,Het SRWGAN）。首先,引入异构核卷积,在其基础上设计出一种即插即用的异构核卷积残差块,该残差块的引入相比于传统的卷积模块能够增加神经网络的感受野,获得更丰富的图像细节纹理和结构信息。其次,还能减少模型参数量,以避免模式坍塌的现象出现,同时降低训练时长以及模型对训练算力的要求,拓展算法的使用场景。为更好实现有监督学习,提出了适用于红外图像超分辨率重建的梯度损失函数用以约束生成器网络。（3）受迁移学习的启发,针对红外图像难以获取、通用训练集较少等问题,提出了一种以可见光图像为训练数据集,结合少量红外图像样本,实现红外图像超分辨率重建的方法:渐进型超分辨率对抗生成网络（Progressive Super-resolution Generative Adversarial Network,PSRGAN）和与之适应的多阶段迁移学习策略。通过引入信息蒸馏的方法获取可见光图像的特征分布,结合多阶段迁移学习策略进一步将红外图像、可见光图像的抽象特征映射到同一个特征空间实现红外图像的超分辨率重建。实验中PSRGAN结合多阶段迁移学习策略,可以充分利用两种不同类型的图像实现红外图像的超分辨率重建,该方法在主观视觉效果和客观指标评价方面效果良好。