图像领域对高质量高分辨率图像有着巨大需求,已有大量研究者对如何获取高分辨率图像进行了广泛的研究。虽然在自然图像领域中超分辨方法取得了巨大成功,但是遥感图像超分辨重建仍然存在许多难点。特别是SAR图像,它具有全天时、全天候工作的优点,但是受到成像机理的限制和影响,SAR图像分辨率往往不高。本文在国家高层次人才特殊支持计划面上项目(SAR影像解译与目标识别)等项目的支持下,借鉴深度学习和生成对抗网络理论,针对SAR图像中的超分辨问题展开了研究,论文研究成果如下:1.实现了基于卷积的SAR图像超分辨重建方法。该网络用多尺度卷积核操作,保证了特征的多样性,针对斑点噪声的干扰,在网络中加入感知损失,实现了语义级的图像重建,实验结果表明所重建的高分辨率SAR图像其边缘信息重建效果更好。2.实现了基于生成对抗网络的图像超分辨方法。该方法将分类标签作为辅助信息引入生成器的训练过程,使得超分辨结果更利于后续进行图像分类。所采用降噪编码GAN网络形式能够学习含噪数据的概率分布,使得该方法可以应用于SAR图像这样噪声影响较大的图像超分辨问题中。该方法采用人工合成噪声图像进行测试,实验结果表明在含噪情况下,该网络可以实现图像的超分辨重建。3.实现了基于深度集成网络的图像超分辨方法。该方法构造了包含编码网络、残差网络和卷积网络三个通道的深度集成网络,通过增加集成网络层,实现了能综合利用多种网络模型的图像超分辨框架。对真实图像的超分辨结果表明该方法能够获得比单独网络更好地图像超分辨结果。