随着各类电子设备屏幕素质的持续提升,大众对于精细视觉效果的追求也在不断提高。而由于实际的成像、传输过程中普遍存在的图像退化现象,得到的较低分辨率图像与较高素质屏幕间存在固有矛盾。图像超分辨率重建的目的正是从包含信息较少的低分辨率图像中恢复出高频细节,从而提升图像的视觉效果或者满足其他计算机视觉任务的需要。然而图像超分辨率重建是一个欠定问题,现有研究中模型的效果还有较大提升空间,且目前普遍应用的基于对抗式生成网络的方法均存在收敛过程不稳定等问题。同时现有研究多以提升视觉效果为目的,这对于高层视觉任务难有益处。本文针对现阶段图像超分领域存在的上述问题进行了研究,主要研究工作包括:（1）本文立足于现阶段基于对抗式生成网络的方法存在的训练困难以及在应对较大放大因子时效果差的问题,提出一种基于边界平衡对抗式生成网络的图像超分辨率重建算法BE-SRGAN,使用编码器-解码器结构的判别器代替二分类器结构的判别器,促进生成图像的分布逼近自然界真实的图像分布;采用能够更恰当地反映人类视觉感知偏好的LPIPS,代替流行的基于VGG的感知损失,以取得更好的人眼视觉效果。在实验中与其他图像超分算法进行对比,验证了本文所提出算法的先进性。（2）针对图像超分辨如何帮助改善人脸识别任务以及如何利用高层语义信息来引导图像超分网络朝着有助于提高高层视觉任务精度进行学习的问题,本文提出了一种以人脸识别任务驱动的人脸图像超分辨融合网络FD-SRNet。该网络将图像超分网络与人脸识别网络进行级联,把图像超分结果映射到人脸识别网络的特征空间中并将之与真值图像在该特征空间中的特征向量计算得到的特征距离作为损失并反向传播至超分网络,从而更有效地利用高层语义信息对超分网络进行训练。实验证明,使用本文提出的超分网络对图像进行超分辨率重建能够有效提升后续高层视觉任务的精度。