在信息化和智能化深入普及的今天,图像超分辨率重建技术日益成熟并且在日常生活中也开始发挥着越来越重要的作用。该研究在医学成像、遥感成像和公共安防等领域有着广泛的应用前景。近年来随着深度学习的广泛应用,越来越多的超分算法采用卷积神经网络来实现重建任务。现有的算法为得到高质量的重建图片就使用很深或者很宽的网络,这样的网络训练需要占用大量的计算资源和内存消耗,很难在实际中应用;其次是算法重建图片耗时长,重建效果不符合人眼视觉感知。基于上述问题该文提出两种深度学习算法进行单幅图像超分辨重建。第一,该文针对深度学习超分网络训练需要占用大量的计算资源和内存消耗问题,基于卷积神经网络,提出一种轻型超分辨率重建算法,用于单幅图像超分辨率重建。该模型由一个29层的深通道组成,主要作用是恢复图像的高频细节信息;结构上结合密集块和残差连接,实现降低网络参数、增加数据流以及加快网络收敛速度的效果。该方法在4个不同公共数据集上进行了图像质量评估,对模型的计算量与参数量进行了评估,还对算法的主观重建效果进行了展示,实验结果表明,该方法的精度以及视觉效果均优于同期算法。第二,针对基于卷积神经网络的轻型超分辨率重建算法做出优化,以提高重建图像质量加快模型重建速度,提出一种快速轻型的超分辨率重建算法（Fast and Lightweight Image Super-Resolution Based on Dense Residuals Two-channel Network,FLSR）,该算法是一个基于卷积神经网络的双通道结构,具有轻量级的参数和计算复杂度。该结构由一个3层的浅通道和一个29层的深通道通道组成,在结构的末端使用卷积层将深浅通道的特征进行融合。浅通道主要用于恢复图像的整体轮廓,保留图像的原始信息;深通道的主要作用是学习图像的高频纹理信息。此外,对算法进行优化,在特征提取阶段结合分组卷积提出了一个增强模型。增强模型将网络的参数和计算复杂度进一步降低,且模型性能保持在同一水平。对基准数据集进行广泛的定量和定性评估,结果表明,该算法在参数量、计算复杂度、重建速度以及视觉效果方面均优于现有的具有代表性的方法。