单幅图像超分辨率(SISR,single image super-resolution)技术旨在利用单张低分辨率图像重建高分辨率图像。目前,该技术已被广泛应用于航空航天、地理信息、生物医学、监控安防、国防军工等诸多关键领域。本文研究复杂条件下SISR方法。在复杂条件下,SISR技术需要综合考量真实世界中存在的一切可能导致图像质量劣化的因素,如图像噪声、图像模糊、像素损失等,该研究贴近实际生产生活需求,具有重要的研究价值。本文首先介绍了复杂条件下SISR方法的研究背景及意义、国内外研究现状及发展趋势,然后分析了导致图像质量劣化的主要原因,包括常见噪声的概率密度函数、图像金字塔理论、图像高斯模糊和下采样操作。根据分析,本文将图像劣化过程总结为图像噪声模型和图像退化模型,并为此提出了先去除图像椒盐噪声再使用卷积神经网络重建图像的策略。为去除图像椒盐噪声,本文提出了一个基于自适应加权Kriging插值(AWKIF,adaptive weighted kriging interpolation filter)的方法。该方法通过引入逆滤波半径估计处理窗口权重,使得其能够在抑制像素聚集的同时,具备最近邻域估计选择性。利用Kodak和Caltech101数据库中的标准图像对提出方法进行了定量评价,其实验结果验证了提出方法的有效性。为实现劣化图像重建,本文提出了一个深度动态卷积神经网络(DDCNNs,deep dynamic convolutional neural networks)的方法。该方法首先通过一个图像细节提取方案建立图像劣化的映射关系,然后使用动态卷积神经网络技术学习图像劣化过程并重建高分辨率图像细节。最后,本文选取了Set5、Set14、BSD100数据库和随机筛选的真实场景图像测试方法性能。实验结果表明提出的方法不仅计算速度快而且重建图像的精度高。综上所示,本文对复杂条件下SISR方法进行了研究。针对复杂条件下图像劣化的特点,本文分别从图像椒盐噪声去除和基于卷积神经网络图像重建两个角度提出解决方案。提出的AWKIF和DDCNNs方法能够抑制图像固定值噪声、随机噪声、模糊、像素损失,从而解决复杂条件下的SISR问题。