单幅图像超分辨率重建技术是计算机视觉领域的一项重大挑战任务,旨在借助现有软件和硬件的相互协作复原单幅低分辨率图像中缺失的高频细节信息,重建一幅与之对应的高分辨率图像。与退化的低分辨率图像相比,未退化的高分辨率图像包含丰富的语义信息和纹理细节,其空间分辨率更高,视觉观感更强,所以超分辨率技术的研究对于图像处理领域而言十分有意义。尽管传统的超分辨率算法有着充足的理论知识支撑,然而重建图像的感知质量与人类视觉感受仍存有较大差距。基于深度学习的超分辨率重建算法拥有强大的特征提取和学习能力,能够最大限度地捕捉高频细节信息,重建图像的视觉效果要远超于传统算法。然而,基于深度学习重建的图像与真实图像之间仍存有差距,往往会出现鲁棒性差,边缘模糊不清以及存在伪影或噪声等问题。针对这些问题,本文提出一个具有伪暹罗生成器的双判别器生成对抗网络（SRDDWGAN-LP）。本文主要工作如下:（1）针对模型复杂度和计算复杂度无法兼顾的问题,本文引入伪暹罗网络的设计理念,整个生成器部分可看作是由改进残差块和残差稠密块组成的伪暹罗网络。与传统的卷积层堆叠相比,伪暹罗网络不但实现了网络架构轻量化和复杂化,而且极大地降低了模型的参数计算量。此外,残差学习和跳跃连接的灵活运用使得网络中的数据流实现跨层流动,流入信息的流通性和重复利用率得到大幅度提升。（2）针对模型稳健性差和收敛速度慢的问题,本文在双判别器生成对抗网络的基础上引入Wasserstein距离和1-Lipschitz约束限制。一方面,设计两个引入Wasserstein距离的判别器辅助训练生成器,既提升了训练的稳健性,又使两个判别器更高效和准确地区分真实图像和重建图像是否一致。另一方面,通过源于WGAN-LP的梯度惩罚项对两个判别器施加1-Lipschitz限制能够进一步加速模型的收敛速度。（3）针对重建图像清晰度不高和感知质量差的问题,本文在生成器损失函数的设计中引入L1损失和总变差损失。引入L1损失能获取高频信息,令重建图像更逼真,且不会出现模糊。引入总变差损失有效地消除重建过程中出现的噪声,抑制鱼鳞伪影或棋盘伪影的出现。实验结果表明,与几种主流的超分辨率模型相比,本文算法重建的高分辨率图像在视觉观感和量化指标方面均表现优异。