近年来,随着计算机视觉处理技术的发展,计算机视觉处理已经被应用到各个领域中。因此,人们对图像质量的要求也越来越高,但是在某些应用场景中,由于受成像设备和成像环境等因素的影响,往往难以获得高质量的图像。这在很大程度上会影响图像处理的效果。为了解决这一问题,基于算法层面的图像超分辨率重构技术应运而生。图像超分辨率重构技术是通过算法将一张低分辨图像重构成相应的高分辨率图像。该技术被广泛应用于医学图像、卫星遥感图像和安防监控中,具有重要的实际应用价值。传统的超分辨率重构方法主要为插值重构法和基于先验信息重构方法。虽然此类方法实现比较简单,但是重构效果不佳。现有的图像超分辨重构方法大多基于深度学习技术,但仍存在重构效果过于平滑,网络模型重现困难,训练不稳定等问题。本文重点研究了用于图像超分辨率重构的深度学习网络模型改进。主要开展了以下工作:首先,本文梳理了基于深度学习重构方法的发展脉络,分析总结了不同方法之间的差异与联系,并将目前几种主要深度学习网络在主要的数据集上的重构效果进行了对比分析。本文提出了基于深层残差密集网络的图像超分辨率重构方法。具体包括:1)通过密集连接网络为基本单元,充分融合利用网络中各卷积层提取的分层特征信息,为最后的重构提供更丰富的特征信息;2)针对训练深层网络时难以收敛等问题,受残差网络思想的启发,在每个密集网络单元的输出层和网络的输入层之间引入恒等连接进行残差学习。3)将网络中每一个密集网络单元获得的残差学习结果作为网络的中间重构结果,最后引入卷积核大小为l×l的重构层实现对中间结果的加权求和,以获得最终重构图像。通过实验表明:本文提出的深度残差密集网络获得了良好的重构效果,同时保证了网络模型较快的收敛速度和良好的训练稳定性。接下来,在基于深度残差密集网络模型的基础上,对训练数据的获取方式进行了改进。现有的大多数模型在获取训练图像时,往往是通过高分辨率图像进行双三次插值以获得相应的低分辨率-高分辨率图像对。这在一定程度上限制了重构网络的重构性能以及网络的泛化能力。本文通过引入常见的噪声模型,再结合双三次插值对高分辨率图像进行综合处理,建立更加复杂的退化模型,更加真实的模拟现实应用场景中的低质量图像。本文提出的深度残差密集网络能获得良好的重构效果,结合对训练数据退化方法的改进,使得重构网络具有良好的泛化能力。