在现代社会中,图像作为一个传递信息的重要途径,在各个行业中都有广泛的作用,而图像的质量在某种程度上对工作的成功与否起到了重大的作用。图像的分辨率越高在工作中起到的效果越好,比如在医疗领域,病理图像的分辨率越高,医生越能够准确地辨别患者的问题,从而给出有效的针对治疗的方法,所以提高图像分辨率的问题一直是研究的热点。但是提高分辨率一般有两种方法:硬件方法与软件方法,硬件方法一般是受硬件设备的影响,通常会受到技术与成本的限制,所以软件方法就被作为重点途径研究,图像超分辨率重建方法逐渐成为近些年的研究热点,而随着技术的发展,传统的超分辨率方法已经达到了一个峰值,难以再有提高。而近些年来的人工智能深度学习技术快速发展,卷积神经网络与超分辨率结合的方法可以有效的解决这一问题。本文是在原有的基于卷积神经网络单幅图像的超分辨率重建的网络模型的基础上进行研究与优化,采用了不同于一般网络结构的级联架构,并且在其中加入全局级联连接与局部级联连接,重建取得了较好的结果。研究内容主要为:（1）通过超分辨率重建的研究背景意义以及国内外的研究情况,对基本的超分辨率算法进行说明与研究,超分辨率的传统算法主要分为三个类别,基于插值、基于重建和基于学习。在这一部分研究了最邻近插值法、双线性插值法、双三次插值法、凸集投影法、迭代反投影法和稀疏编码法等多种传统算法,并将传统算法的效果进行了比对。其中双线性插值法和双三次插值法在实验中通常应用于图像预处理的部分。（2）对卷积神经网络进行了深入的研究,包括卷积神经网络的结构、核心思想、网络参数与网络设计所需的残差学习与递归学习。从包含层的类型的角度展开介绍了卷积神经网络的基本结构,以及各种采样方法;激活函数作为其中重要的参数,对于重建效果与速度有着很大的影响;根据实际情况,选择了最为合适的损失函数与激活函数。（3）现有的网络在提升自身性能的方式主要是增加网络的层次,但随着层次的不断加深,网络效果有很大可能会下降,并出现一系列过拟合问题,导致深层次的网络重建效果甚至比浅层次的网络效果更差。本文中将全局级联连接与局部级联连接加入网络中,通过连接将特征信息从浅层快速传到深层网络。除此之外还对残差块结构进行了研究,去掉其中占用计算资源并增加计算复杂度的批归一化层,利用尺寸小的卷积核增加层中的通道数,使其在网络层次较浅的情况下也能达到深层次网络的效果,还可以使更多的低层信息通过。最后将信息集中到低秩卷积上,进行特征提取,再通过最大池化层来提高计算速度并增强特征的鲁棒性,使重建效果更好。为了更直观的评估,将Set5和Set14作为测试集,用Bicubic、SRCNN、VDSR与本文模型进行了对比实验。本文提出的网络结构在效果上优于传统算法,在主观评价与客观评价的图像与数据中可以发现,新算法取得的数据结果。对比实验中测试集set5与set14的PSNR值与SSIM值,相较于双三次插值等传统算法,所用模型的实验结果都得到了提高,效果明显。在比例因子大小对实验结果的影响实验中,模型也得到了其中最优的结果,并且发现,比例因子越小,重建的效果越好。