图像超分辨率技术一直是计算机视觉等领域的热门研究方向,其主要任务是将一张低分辨率图像通过某种规则恢复成高分辨率图像。低分辨率图像与高分辨率图像之间的差异中起到决定性作用的并非低频信息,最主要的原因还是在于两图之间高频信息的差距,超分辨率技术即为了复原图像中缺漏的高频信息。随着硬件与机器学习的发展,深度学习的相关研究也逐渐深入地涉足于超分辨率技术领域。自2014年来,基于深度学习的超分辨率技术研究规模逐年壮大,同时相关技术也取得了极大的进展。在该领域里,如何构建网络提取更多有效的特征信息,提高图像的重建质量是其主要研究方向之一。本文针对SISR（single-image super-resolution）问题,着眼于对超分辨率重建深度学习模型的研究,并将研究的成果应用到超分辨率技术中。近年来,该方向的研究者们都在模型的组建方法上下功夫,大多都忽略了从基础上进行模型的改进,即用于提取特征信息的卷积神经网络CNN。由于标准的卷积神经网络在进行图像特征提取时总是以固定形状的滑块来操作计算,而现实中的图像通常都是包含几何形状的物体,说明CNN由于自身机制的问题而导致其对物体几何形变的拟合能力较差,而这就有可能会成为限制超分辨率重建质量提升的因素。本文引入可变形卷积DCN的思想,将该思想与超分辨率技术相结合,研究基于DCN的超分辨率技术。可变形卷积通过引入偏移量,扩展CNN在图像区域内的采样范围,增大感受野,提高网络对特征提取的能力,同时也提升了网络的鲁棒性。本文的研究目标就是验证其对于超分辨率技术提升的有效性、分析归纳出可变形卷积在超分辨率模型中的应用方式。本文做出的主要贡献如下:一是通过将可变形卷积与SRCNN模型相结合,依照规律提出了七种SRCNN的变式模型。接着通过大量实验,验证了可变形卷积在超分辨率重建中的有效性,提出了卷积核模拟现实中物体几何形变的新思路。并根据实验结果分析出了可变形卷积在构造超分辨率重建模型时的应用方式。二是对上述可变形卷积实验结论的应用,结合现有的模型算法与思想,提出了基于可变形卷积的超分辨率重建模型SRDCN和SRDCN+。两种网络结构相似,都运用了残差学习及Block思想,提出可变形卷积块的局部模型结构。两种网络引入了残差学习思想的同时,也能够避免出现梯度消失或爆炸、加快网络收敛。SRDCN与SRDCN+还在重建模块使用了亚像素卷积思想,一定程度上减少了信息损失和计算量。最后通过大量对比实验对两种网络的图像重建质量进行测试,并且与其他经典网络模型进行对比。根据实验结果分析,无论是在PSNR与SSIM的对比上,还是主观视觉效果上,本文提出的模型SRDCN+都明显优于其他模型。