在图像恢复研究领域中,图像去噪和图像超分辨率重建都是较为热门的方向,在刑侦破案、军队、卫星导航、地图信息采集以及其他应用场景都有重要的研究价值。图像去噪是去除图像中混杂的噪声点,通过像素的关联性恢复像素点缺失部分内容的过程。图像去噪方法分为基于滤波器、基于稀疏字典和基于深度学习三类方法。目前传统图像去噪算法在面对复杂的噪声影响下的图像时,难以得到很好的去噪效果。图像超分辨率重建是通过对图像信号的分析,将低分辨率的图像重建得到高分辨率图像的过程。图像超分辨率重建方法分为基于插值、基于稀疏和基于深度学习的图像超分辨率重建算法。传统的图像超分辨率重建算法仅单纯地对清晰图像进行超分辨率重建,当图像本身有瑕疵时会影响最后超分辨率重建的效果,且大多算法是在高分辨率空间进行,大大增加了整体算法的计算复杂度。面对这样的情况,针对复杂噪声环境下的超分辨率重建算法研究仍然具有很大的发展空间,本文提出了一种基于门控融合网络的图像去噪和超分辨率重建的算法。本文提出的门控融合网络算法主要贡献有以下几个方面:(1)为了更好地实现去噪和超分辨率重建的双任务,提出了双分支的门控融合网络,将图像去噪和图像超分辨率重建同时进行特征提取,然后经过自适应地将两者的特征进行融合,通过不断地训练,使每一轮的融合特征能够输入到后一轮的训练中,提高了最后图像恢复能力;(2)针对当前复杂的噪声影响和高比例噪声导致图像难以恢复的情况,采用非对称残差编码-解码结构扩大特征接受领域,同时取消了所有的池化层应用,采用Drop Out防止训练过拟合,使得噪声特征提取结构更加简单有效,最后以两个附加卷积层用于重建图像,有效地提高了去噪能力和鲁棒性;(3)采用多尺度残差块和多层次特征融合结构,其中多尺度残差块用于特征提取,并经过多层次的特征融合结构筛选掉冗余特征并实现了前后的特征结合,使得图像超分辨率重建效果更好。经过与当前图像去噪算法以及图像超分辨率重建算法的组合算法的对比实验,以及评价指标上的数据分析,证明本文所提出的算法无论是在单一噪声环境还是在更复杂的噪声环境下,都可以恢复出清晰的高分辨率图像。