超分辨率是计算机视觉中的一种经典技术。超分辨率技术指低分辨率的图像或者图像序列通过一系列方法,恢复出高分辨率图像。在很多领域例如监控、数字高清和医学影像等领域有很广泛的应用。超分辨率技术分为两种:单幅图像的超分辨率（SISR）和多帧视频/多图的超分辨率（Multi-frame Super Resolution）。SISR是一个逆问题,在重建高分辨率图像时,需要通过一个先验信息进行规范化约束。在以往方法中,可以在若干成对的低-高分辨率的实例中学习得到先验信息。而在基于深度学习的超分辨率方法中,端对端的映射可以通过神经网络学习。首先提出一种在卷积神经网络（CNN）之上的超分辨率重建网络（SRCNN）。随后,各种深度学习算法相继出现。其中基于自适应稠密连接算法（ADCSR）由于将图像高频信息与低频信息分开处理,着重高频特征学习,提高了图像特征的利用率,又一步提高了图像的清晰度,引起了很多关注。针对于此,本文提出两个对ADCSR模型的改进方法,一是将亚像素卷积算法与ADCSR算法结合起来,利用一种新的亚像素卷积初始化方案,缓解了因为随机初始化产生的棋盘伪影问题;二是将一种基于-范数和soft-max运l0,2算的新的融合算法加入到ADCSR算法中。对于亚像素卷积中反褶积层产生的棋盘格伪影,可以用一种新的亚像素卷积初始化的方法,它缓解了因为随机初始化而产生的棋盘格伪影问题。该初始化方法使用了最近邻（NN）调整大小卷积,由于亚像素卷积是通过周期性洗牌操作输出图像,因此本文采用分组插值法来调整大小,从而获得更好的重建的图像效果。对于ADCSR中BODY部分用两个卷积层融合特征,本文将一种基于-范数和soft-max运算的新策略应用到l0,2网络中,得到了较好的融合性能。通过使用数据集DIV2K来训练ADCSR网络,与现有的一些超分辨率图像重建算法相比,本文方法获得了更好的峰值信噪比（PSNR）和结构相似性（SSIM）性能以及更好的图像重建视觉效果。