图像超分辨率重建的目的是由低分辨率图像重构出高分辨率图像。近年来,深度学习广泛应用于图像处理领域,并取得一定成效。为提高超分辨率算法的性能,本文把多尺度的卷积神经网络应用于图像超分辨率问题展开研究,具体研究内容如下:首先,本文从图像的梯度信息出发,提出基于梯度先验学习的图像超分辨率算法。该算法利用多尺度的残差网络学习出高分辨率图像的差分图像作为梯度正则项,然后再通过求解优化模型重建出高分辨率图像。实验结果表明本文提出的算法有效地提高了低分辨率图像的分辨率,并且网络的收敛速度较快。其次,为进一步提高超分辨率算法的性能,本文利用多尺度和残差训练的思想,结合收缩--扩展的网络结构,提出一种基于多尺度卷积神经网络和残差训练的超分辨率算法。该算法采用多尺度的卷积层及收缩--扩展的网络结构来提取图像多尺度的信息,并在网络结构中使用跳跃连接,以便更好的传递信息并弥补由于使用下采样和上采样而造成的图像细节信息的损失,来提高图像的重建质量。实验结果表明该算法可以获得质量明显提高的重建图像。最后,为充分利用图像的先验信息,本文利用小波变换得到高低频分离的图像信息作为网络的输入,提出基于非抽样小波变换和卷积神经网络的超分辨率算法。该算法利用低分辨率图像一级非抽样小波变换后得到的四个子带信息作为网络的输入,通过一个多尺度卷积层的深度残差网络来重建出高分辨图像。通过与其它算法对比表明本文算法可以取得较高的性能。