图像超分辨率是指根据已知的低分辨率图像,建立图像降质模型,指导重建具有更多高频细节和更好视觉效果的高分辨率图像。目前,借助于深度神经网络强大的学习能力,基于深度学习的图像超分辨率方法对高分辨率图像的重建取得了突破性的进展,成为当前的研究热点。本文围绕基于深度学习的图像超分辨率算法,分析图像降质模型建立过程中对图像先验信息的挖掘和图像复杂特征的表达提出了联合高—低级特征的深度卷积神经网络图像超分辨率算法和融合形态学多特征约束的深度生成对抗网络图像超分辨率算法,并通过大量基于公开测试集的对比实验证明了本文所提方法的有效性。本文的主要研究成果如下:1.针对基于深度卷积神经网络的图像超分辨率方法着重于利用图像像素级特征对深度网络的训练进行约束,而忽略了语意级特征对图像视觉效果的影响,本文提出了联合高—低级特征对深度网络进行训练,以约束网络参数的更新方向,使得重建高分辨率图像再像素级和语意级层面均与真值图像相似。由于语意级特征能够更好的刻画图像的纹理细节和结构信息,因此联合语意级特征更新网络参数能够使得深度网络重建的高分辨率图像能够具有清晰的边缘,锐利的纹理细节和较高的客观评价指标。2.由于图像特征的复杂性和多样性,在图像超分辨率重建过程中,单一的模型和图像先验约束往往缺乏针对性,难以准确表征图像特征,进而影响图像降质模型的准确性。针对图像特征复杂性和多样性,本章提出融合形态学多特征约束的深度生成对抗网络图像超分辨率算法,对图像中的平滑分量和纹理分量特征进行分离,独立重建,而后融合二者完成高分辨率图像重建,以提升图像的视觉效果。3.在对图像平滑分量重建过程中,由于图像平滑分量包含有图像主要的结构特征,而基于像素和网格的特征则受限于其固有的特性,难以有效刻画图像的结构信息。针对此问题,本文提出了基于超像素特征的约束项。通过对图像平滑分量进行超像素分割,而后对其超像素原子进行约束,可有助于重建图像的结构特征。