图像超分辨率重建技术(Super-Resolution,SR)指的是将给定的低分辨率图像通过特定的算法恢复成相应的高分辨率图像。高分辨率图像可以提供更多的细节,这些细节往往在应用中起到关键作用。要获得高分辨率图像,最直接的办法是采用高分辨率图像传感器,但由于传感器和光学器件制造工艺和成本的限制,在很多场合和大规模部署中很难实现。因此,利用现有的设备,通过超分辨率技术获取高分辨率图像具有十分重要的现实意义。然而,现有的图像超分辨率算法还有如下问题:(1)重构出的高分辨率图像不能很好的还原出高频(结构)信息,导致视觉效果较差;(2)重构出的图片较为平滑,缺乏细节信息,因而缺乏真实性,且直接重构大比例分辨率图像(如4倍或8倍超分辨率)较为困难。为了解决超分辨率技术中的瓶颈与挑战,本文针对每个问题提出相应的改进方案:针对问题(1),本文提出了一个基于图像梯度的感知损失函数,保证训练过程中能让超分辨率模型关注图像中的结构信息;针对问题(2),本文引入了生成对抗网络,通过细节生成的形式提升图像视觉上的逼真度,同时设计了一个渐进重构模式,通过逐渐提升图像重构倍数来恢复大比例分辨率图像,保证训练时候的稳定性和模型性能。通过大量的实验证明,本文所提出的改进方案能有效提升超分辨率重构算法的效果性能。