目前图像和视频已经成为信息存储和交流的重要手段,用户原创内容中图像质量不可控与人们对于高清画质的追求成为一项矛盾,图像超分辨率重建任务旨在将成像效果较差的低分辨率图像重建为视觉效果更好的高分辨率图像,具有研究与实用价值。在国内外的研究中,基于深度学习的图像超分辨率重建技术已经被证实了其相对于传统插值算法的优越性,但在近年来的研究中,为追求网络性能的提升,网络深度急速增长,超深网络过高的参数量和计算量使其依赖于高性能计算设备,难以投入实际使用,尤其难以在移动端设备应用。针对这一现状,本文对基于深度学习的图像超分辨率重建算法进行研究,构建轻量级图像超分辨率网络,在移动端离线进行图像超分辨率处理。论文完成的主要工作如下:(1)针对目前图像超分辨率网络参数量与计算量过高的问题,本文根据实际应用需求,设计了一种轻量级的图像超分辨率网络结构,网络的基本组成构件除常规卷积层外,还有针对图像超分辨率重建任务设计的梭形残差构件,为追求性能与效率的平衡,论文用深度可分离卷积替换梭形残差构件中的中间层常规卷积,应用PRe LU函数作为网络中的非线性激活函数,亚像素卷积层作为网络中的上采样器,并且向网络中引入多步长支路,逐步进行上采样。论文采用主流性能评价方法对网络性能进行实验与评价,证明了算法的有效性。(2)本文将轻量级图像超分辨率模型向真实场景优化,并开发SDK jar包,将轻量级图像超分辨率模型的推断过程迁移至移动端本地进行,在具体的移动端设备上进行了移动端图像超分辨率的实施与验证,在智能手机上完成低分辨率图像的读取、超分辨率图像的重建与渲染。实际测试结果证明,论文提出的轻量级图像超分辨率模型能够部署在移动端离线完成图像超分辨率重建任务,在计算资源和内存资源有限的情况下仍能取得较好的效果。论文根据实际应用需求构建轻量级图像超分辨率卷积神经网络,精简网络的参数量与计算量,在性能和效率之间实现平衡,并将图像超分辨率模型部署于移动端设备,利用智能手机的计算资源进行推断,离线实现图像超分辨率处理。