图像超分辨率(S uper-resolution,SR)是低层次计算机视觉领域中的一类经典问题,其目的是从一幅低分辨率(Low-resolution,LR)图像中重建出所对应的高分辨率(High-resolution,HR)图像。由于在低分辨率到高分辨率空间中,存在着一对多的图像映射关系,所以超分辨率重建是一种不适定问题。在大尺度重建任务中,图像丢失的信息更多,高质量的超分辨率重建是一项极具挑战的任务。本文的主要研究目标是提升基于深度学习的超分辨率算法在大尺度情况下的重建质量。本文首先介绍了本课题的相关背景知识与主要研究内容,通过深入研究基于Laplacian图像金字塔的超分辨率算法的优劣势,本文提出了一种具有辨别融合机制的循环多阶上采样网络(Recursive Multi-stage Upscaling Network,RMUN)来解决超分辨率重建任务。该方法能够高效地提取和融合特征,提升信息的流动性,使网络能够较快较好的收敛,有效地提升了大尺度超分辨率重建的质量。本文的主要工作和贡献如下:1、本文提出了一种高效的特征提取模块来提取多阶的低分辨率特征,有效地提取并融合局部层次化的特征,同时提升了信息在卷积层中的流动性。2、本文对每一个低分辨率特征进行上采样处理,不仅能够产生多样的高分辨率特征,同时能够提供多条误差反馈通路,网络可以直接对前层网络进行监督,降低了网络的训练难度。3、本文有辨别地对高分辨率特征进行特征融合,使得网络能够自适应地加强有价值特征的影响,抑制低价值甚至无价值的特征。4、本文对图像映射支路进行改进,迫使卷积神经网络明确地学习高频图像信息,同时加快网络的收敛。实验结果显示,与主流超分辨率算法相比,本文提出的算法在定量和定性分析中都取得了很好的效果。在大尺度重建任务中,本算法的表现优于其他算法。