图像超分辨率是一个经典的计算机视觉问题,它根据给定低分辨率图像恢复出一个高分辨率图像,在安防成像,医学图像,图像生成等领域有着广泛的应用。近年来,深度卷积神经网络在图像超分辨率问题上取得了显著的进展,研究人员提出了大量性能优异的深度模型。其中,多尺度残差网络(Multi-Scale Residual Network,MSRN)是一种具有代表性的图像超分辨率模型,它在图像超分辨率重建过程中提取和融合了图像中的多尺度特征和层级特征,获得了良好的超分辨率性能。然而,基于MSRN的超分辨率方法存在如下问题:(1)使用了大尺寸的卷积核,造成模型模型复杂度和计算量较大,(2)未能充分提取和利用图像中的多尺度信息,且在各通道上使用相同的方式对所有信息进一步提取,影响了网络的表达能力,(3)采用像素级L1损失作为损失函数,生成的超分辨率图像高频细节信息较少。本文从MSRN模型入手,针对以上问题进行了深入研究,提出了相应的模型进行改进,并在多个数据集上验证了模型的有效性。研究内容和创新点如下:(1)针对MSRN模型复杂度和计算量大,表达能力较低的问题,对MSRN进行改进,提出了多路径残差网络(Multi-Path Residual Network,MPRN)模型。该模型对卷积层输出特征在通道上进行切分形成多路特征,分别经过长度不同的路径来提取图像中的不同尺度特征,然后进行融合,提高了网络的表达能力,路径上的卷积层使用了较小的卷积核,相对于使用大卷积核,降低了复杂度和计算量。此外,受反馈机制启发,提出了基于反馈的特征融合,使用网络中的高层特征来细化低层特征,帮助低层特征提高表达能力,提高网络重建图像的质量。在5个常用的基准数据集以及遥感数据集上进行了实验,结果表明,相比MSRN,MPRN参数量更少,性能更好,具有更高的效率。(2)针对像素级损失作为损失函数时生成的超分辨率图像较为平滑、缺乏高频细节的问题,提出了新的梯度损失。该损失包含内容损失、结构损失和梯度对抗损失3个部分。内容损失使得生成图像与真实图像在像素值上尽可能的接近,提升生成图像的客观质量;结构损失使得生成图像和真实图像的梯度尽可能的相近,增强生成图像的边缘和纹理细节;梯度对抗损失通过对抗生成网络使生成图像获得更丰富的高频细节信息,提升图像的感知质量。在此基础上,结合前面提出的MPRN网络,提出了增强多路径残差网络(Enhanced Multi-Path Residual Network,EMPRN),并在在多个数据集上进行了实验,验证了EMPRN模型的有效性。