随着社会的进步与发展,数字图像在人们的生产和生活中得到了广泛的应用和传播,使得人们对于图像的清晰度要求越来越高。但是,由于生产成本、制作工艺、设备环境等外在因素的影响,人们往往仅能获得较低分辨率的图像。因此,从软件方面入手,提高图像分辨率的方法得到广泛的关注和应用,这个软件处理方法就是图像超分辨率重建。图像超分辨率重建是一种通过数学建模的方式,将低分辨率图像映射到高分辨率图像的方法。常见的图像超分辨率重建方法可分为基于插值、基于重建和基于学习三大类。其中,目前主流的图像超分辨率重建方法是基于学习方法中的基于深度学习的方法。本文在调研学习基于深度学习的图像超分辨率重建方法的基础上,针对局部特征再利用和网络模型训练策略方面进行了改进与创新,提出了一种基于多连接卷积神经网络和双参数损失函数的图像超分辨率重建方法。首先,本文基于稠密卷积神经网络的思想设计了一个多连接的结构块,用于浅层局部特征与深层全局特征的融合,并基于该多连接结构块搭建了一个多连接的卷积神经网络框架,增强了特征表示的多样性和复杂性;然后,采用多尺度特征融合的思想,优化改进了多连接卷积神经网络的网络结构,进一步提高了重建图像的质量;最后,采用一个双参数损失函数优化训练网络模型,使得重建图像中包含更加丰富的图像细节信息。经实验对比论证,本文所提方法在五个常见公开数据集上的主客观质量评价准则均优于同类算法,网络模型表现出较好的泛化能力,且取得了较高的图像重建质量。