随着“天问一号”火星探测器成功发射,我国开始了对火星的探索。高分辨率的火星图像对研究火星地貌特征,分析火星表面的天气和气候具有重要意义。目前主流的图像超分辨算法是深度学习的方法,在效果上优于传统方法。但是,现如今的图像超分辨方法中,所用的低分辨率（LR）图像通常是由高分辨率（HR）图像经过一种理想的降采样方法得到的。使用这样的方法得到的LR-HR图像对进行训练后得到的模型在理想的数据集上测试,产生了很好的效果。但是一旦使用真实的图像进行测试,产生了比较差的结果,同时在图像细节恢复上还存在欠缺。为了解决上述问题,提出一种新的火星图像退化框架和火星图像超分辨网络。首先,针对真实火星图像提出一种新的图像退化框架。利用生成对抗网络（GAN）强大的泛化能力,使用GAN学习真实图像的退化过程,并且模拟真实图像的噪声分布。使用新的图像退化框架得到的更加“真实”的低分辨率图像送入到超分辨网络中,得到了更好的超分辨结果。其次,利用GAN逆映射（GAN Inversion）的原理进行火星图像超分辨方法研究,设计了新的图像超分辨网络,提出了“编码器-隐式生成库-解码器”的网络结构。首先使用“编码器”对图像进行多级特征提取,生成更加详细的图像信息;然后使用改进的Style GAN网络作为隐式生成库捕获图像的先验信息;最后使用“解码器”将编码器和隐式生成库中的特征进行融合。这样的网络结构可以仅通过一次前向传播获得上采样图像。最后,为了满足图像超分辨的任务需求,对Style GAN网络结构进行了三处改进。第一,把仅用一个隐式向量的输入改为不同的预训练生成器使用不用的隐式向量;第二,把编码器提取到的多分辨率特征也添加到隐式生成库中,使用卷积层进行特征融合,进一步捕获了LR图像的特征;第三,并未直接把生成器输出的结果直接输出,而是输出每个特征增强块的特征向量。这样的改进可以减轻生成器生成图像细节的压力,同时能够更好的从隐式生成库和编码器中对输出特征进行融合。