单幅图像的超分辨率重建是由退化的单幅低分辨率图像重建得到具有良好视觉效果的高分辨率图像,在遥感图像、安防监控、医学图像、高清显示、机器人视觉等领域被广泛的应用和研究。自深度学习方法被引入超分辨率重建的研究以来,由于其优越的性能,已成为超分辨率重建的一个热点的研究方法。基于上述背景,研究了基于深度模型的超分辨率重建,主要工作内容如下。首先对超分辨率重建的国内外发展作了概述,并对基于学习的超分辨率重建方法进行了详细的叙述和分析。对基于深度学习的超分辨率重建中的理论基础、先进的网络结构做了介绍,并进行了理论上的分析。其次,针对基于深度学习的方法未考虑下采样过程对重建准确性可能造成的影响,提出了一种基础迭代模块:分为上采样部分和下采样部分。每个迭代模块可以独立的完成重建的过程和退化的过程,生成迭代次数的中间预测图像,权重求和得到重建结果。训练中通过中间预测损失函数和最后预测损失函数的权重来调整网络收敛。实验结果表明,本文方法在客观评价标准和视觉效果上相比未考虑下采样过程的算法都有一定的提高。再次,针对深度网络中多层次的特征图未能被有效利用的问题,提出融合多层次特征图的特征提取网络,采用跨通道融合信息的方法将全部特征图联结后降维,采用子像素卷积神经网络作为上采样算子由融合后的特征图得到重建结果。实验结果表明,该方法的重建结果在不同尺度上的纹理细节都能够被很好的恢复,取得了较好的重建效果。然后,针对网络深度的不足和重建结果的视觉感知效果较差的问题,提出基础的特征提取模块并引入感知损失函数。以特征提取模块为主要组成部分,级联搭建整体网络模型,达到更深的深度;以感知损失函数为目标训练网络,使重建的高分辨率图像具有更自然真实的视觉效果。实验结果表明,重建结果具有更好的视觉感知效果。最后,对本文提出的三个超分辨率重建算法进行了总结和对比,分析了网络设计上的差异和优劣,并对进一步的研究做了展望。