图像超分辨生成的高质量超分辨率图像对于航空、安防、医疗以及生活娱乐等方面的图像运用具有重要作用。目前图像超分辨研究多是改变卷积神经网络的特征提取结构,提取较好的特征。图像超分辨使用生成对抗网络(SRGAN)可以生成纹理丰富、高分辨率的图像。轻量网络不仅有更少的网络参数还可以生成高质量的超分辨图像。本文基于SRGAN提出金字塔式GAN网络。此外,本文还基于知识蒸馏提出轻量化网络的图像超分辨知识蒸馏算法。本文的主要工作如下:(1)本文提出金字塔式GAN图像超分辨。在研究SRGAN时,发现SRGAN网络模型生成的超分辨图像虽然纹理丰富,但是也存在着高分辨图像质量差、纹理不合理,局部图像不平整等问题。针对上面问题,本文基于堆叠GAN(StackGAN)多阶段生成器的结构提出金字塔式的多阶段反馈网络结构。首先,根据图像超分辨率训练过程中数据集和生成图像之间的关系而提出中间监督和级间反馈损失,监督中间尺度超分辨图像的生成。然后,结合稠密连接网络(DenseNet)和注意力机制,将DenseNet结构中的转换层替换为我们提出的通道显著性和空间显著性结合的显著性块(Saliency Block)。最后,使用多损失函数训练生成器,分别是高层次图像数据分布的对抗损失、局部的图像纹理等特征的感知损失和低层次的像素之间的梯度损失。经过实验证明,基于金字塔式多阶段反馈网络结构相比单阶段的生成器生成的图像质量更高,显著性DenseNet有轻微的提升,梯度损失对使得生成的图像边缘清晰,局部图像纹理更加合理。(2)本文提出基于知识蒸馏的轻量化模型超分辨率。轻量化网络结构通过精心设计学习的结构不仅减少模型大小还生成高质量的超分辨图像,但是与极深网络结构依旧存在差距。本文基于知识蒸馏模型提出轻量化模型的图像超分辨知识蒸馏。让极深深度卷积神经网络引导轻量化的模型学习,从而提升轻量化网络的超分辨率的效果。此外,基于不平衡数据增强方法,提出对较难生成的训练集的学习。经过实验证明,图像超分辨知识蒸馏对于适当层数轻量模型超分辨有显著的提升和促进效果,不平衡数据增强方法对于轻量模型有轻微的提升。