图像超分辨率重建是指设计高效的算法,从低分辨率图像重建高分辨图像,在医学诊断、卫星成像等领域有着广泛地应用。近年来,人们主要通过加深或加宽深度网络来提高重建性能,但同时这也需要高昂的硬件设备和巨大的电能消耗。鉴于此,本文从模型驱动与数据驱动相结合的角度出发,研究专家先验诱导下的基于深度学习的超分辨率重建方法,提出了基于递归多尺度卷积网络的图像超分辨率重建方法、基于优化最小方法的递归多尺度去噪网络的图像超分辨率重建方法、融合边缘驱动的分层深度网络的图像超分辨率重建方法。具体研究内容如下:（1）不断加深网络的深度可提高网络的超分辨率重建效果,但是网络的加深会导致网络参数量急速增加,难以进行网络训练和内存存储。为了减小深度网络的参数规模并尽量保持网络的重建性能,基于递归和多尺度的思想,文中提出精简的基于递归多尺度卷积网络的图像超分辨率重建方法。首先利用多尺度模块充分提取图像在不同尺度下的特征信息,再通过递归操作实现网络规模的加深而不增加网络的参数量,最后将每次递归操作的输出进行特征融合,作为高分辨率图像重建的输入。实验表明,本文方法在网络参数量较少时能取得相当或更好的重建效果。（2）现有的模型驱动与数据驱动相结合的超分辨率重建方法主要从最大后验概率出发,推导优化模型的迭代算法,并根据算法设计深度网络模型。因此,如何给出有效的迭代算法是该类问题的一个关键点。现有的该类方法在求解过程中都会引入额外的辅助变量,增加网络的复杂度和减缓网络的收敛速度。鉴于此,本文利用优化最小方法求解超分辨率重建优化模型,提出了基于优化最小方法的递归多尺度去噪网络的图像超分辨率重建方法。首先,该方法利用优化最小方法将超分辨率重建的优化模型转化成需要迭代求解的去噪问题;其次,引入去噪器迭代求解上述问题,得到基于优化最小方法的迭代求解算法;最后,根据推导的迭代算法设计相应的深度网络模型。本文提出的方法在求解过程中并未引入任何辅助变量,从而简化网络结构和加快网络的收敛速度;同时,本文提出的深度网络是在专家先验知识诱导下构建的,避免盲目加深网络。大量的实验表明本文提出的方法优于一些相关的基于深度学习的图像超分辨率重建方法。（3）现有的基于深度学习的图像超分辨率方法主要是从数据驱动的角度,通过加深网络来提高网络的重建性能,这导致网络参数量和计算成本急剧增加。为了简化网络并提高网络重建性能,本文考虑图像的边缘先验知识,提出融合边缘驱动的分层深度网络的图像超分辨率重建方法。该深度网络主要包含了图像重建分支和边缘驱动分支两个重要的子网络,其中边缘驱动分支是根据边缘先验优化模型诱导的迭代算法设计的深度子网络,可以有效地重建图像的边缘信息,避免盲目加深子网络。最后,融合图像深层特征和边缘特征,得到最终的带有清晰边缘的高分辨率图像。大量的实验表明,本文所提出的深度网络可以有效地利用图像的边缘先验提高图像的重建性能。