光学遥感图像在军事侦察、环境监测、地形测绘等多个领域有广泛的应用,因此获取到质量较高、边缘纹理清晰的高分辨率遥感图像有助于图像处理、应用与解译等相关任务。然而,受限于光学成像系统自身的硬件条件,以及在图像成像、传输与处理过程中存在不可避免的图像降质因素,获取到的图像存在分辨率低、边缘纹理细节辨识度低等问题。而图像超分辨率重建是一种利用单帧或者多帧的低分辨率图像重建出单帧的高分辨率图像的技术,因此开展关于光学遥感图像的超分辨率重建算法的研究具有重要的理论意义与应用价值。为此,本文针对现有遥感图像超分辨率重建任务中存在的问题,开展了基于深度学习的单帧遥感图像超分辨率重建算法探究,本文的主要工作内容如下所示:1)提出了一种基于卷积核注意力机制的遥感图像超分辨率重建算法。针对遥感图像中存在地物目标类别较多、不同目标尺寸差异大的特点,该方法在深层残差块的结构基础上,构建了含有卷积核的选择性注意力机制神经网络模型,该模型通过不同尺寸卷积核对输入的张量提取特征,提取出的特征图所含有的特征信息覆盖了不同大小的感受野,并以注意力机制的方式引导神经网络模型关注某些通道的特征信息,能够更好的进行特征的融合与提取。在整体网络结构中通过跳跃连接的方式构建局部与全局的残差结构,以帮助神经网络模型更好的恢复出图像中的高频信息。示例图像的重建结果表明,基于卷积核注意力机制的遥感图像超分辨率重建算法能够从一定程度上提升重建图像的质量。2)提出了一种基于模糊核分类的遥感图像超分辨率重建算法,该方法在现有的神经网络模型基础上,对输入图像进行模糊核盲估计,估计出的模糊核某种程度上可以表示图像退化中的模糊过程。以估计结果对数据集中的图像进行聚类,将模糊核相近的图像数据归为一类,对数据集中的图像进行分类训练得到多个神经网络模型,并在分类后的测试集上评估重建结果。实验结果表明,在原有的神经网络模型基础上,基于模糊核分类的遥感图像超分辨率重建算法能够重建出更为清晰的边缘信息,重建图像的质量也有一定程度的提升。3)提出了一种基于边缘检测的遥感图像超分辨率重建算法,针对L1损失函数重建出的图像边缘细节不清晰的问题,该方法采用7×7的Laplacian边缘检测算子对图像进行边缘检测,并将检测结果加入损失函数中,以提升重建图像的边缘纹理细节,恢复出清晰的细节信息;此外,为了抑制重建图像存在的噪声,在损失函数中还加入了全变分损失,以解决重建出的边缘细节线条不连续、有间断的问题。实验结果表明,重建出的图像虽然PSNR值有所降低,但是能够恢复出较为清晰、丰富的边缘细节信息,并且图像中的噪声也得到了一定程度上的抑制,重建图像的主观质量得到了有效的提升。