随着深度学习的不断发展,超分辨率重建领域也出现越来越多的成果。虽然现在超分辨率重建算法都能取得比较好的重建效果,但是仍然存在一些不足,需要进行改进。为了解决现有算法框架所存在的问题,本文进行了较深入的研究,提出了一些可行性的解决方案。本文的主要研究内容有:针对主流算法只在单一分辨率空间上进行特征提取,不能充分反映出低分辨率图像到高分辨率图像的非线性映射关系的问题,本文设计了一种基于密集残差反向投影的超分辨率重建网络框架。它采用迭代式升降采样网络,通过交替使用升采样和降采样作为一种高效迭代过程来优化重构误差,更深层次地挖掘低分辨率和高分辨率图像直接的相互依赖关系。同时,在反向投影层中加入了局部残差学习,每一次升采样和降采样都要用到之前所有与值对应的升降采样提取到的特征。在反向投影模块中,加入全局残差学习,每一个反向投影层也会用到前面所有的反向投影层提取到的特征。这样可以将所有的特征通过级联的方式连接起来,充分利用到网络迭代过程中所产生的所有特征信息,实现特征的复用,减少网络冗余,从而达到提高图像重建效果的目的。针对主流算法只在单一尺度上进行图像特征的提取,忽略了不同尺度下图像特征信息不同的问题,本文在密集残差反向投影网络的基础上,提出了一种多尺度超分辨率重建算法框架。它使用3个不同尺度的通道网络对于图像的特征信息进行提取,根据多尺度信息聚合位置的不同,将多尺度模型分为前端多尺度聚合模型和后端多尺度聚合模型2种,其中,前端多尺度聚合模型适合浅层的网络,而后端多尺度聚合模型更适合层数较深的网络。在不同的条件下,可以有选择性地选取合适的聚合模型进行超分辨率重建。实验结果表明,基于密集残差反向投影网络的多尺度超分辨率重建算法可以取得很好的重建效果,在Set5,Set14和Urban100数据集上的PSNR值高于现有主流算法。