彩色图像去马赛克（Color Image Demosaicking,CDM）和超分辨率（Super-Resolution,SR）是数字图像处理中两个重要而实用的研究课题。在消费级相机中,由于传感器（CMOS）限制,在采样得到的图像中的每个像素位置仅有一个色彩通道的信息,因此,需要采用去马赛克算法来恢复全彩图像。图像SR技术则是将低分辨率图像恢复为包含丰富图像细节的高分辨率图像,其被广泛应用于视频监控、医学图像等领域。然而,大多数文献都是独立研究这两项任务,忽略了联合去马赛克与超分辨率（Joint Demosaicking and Super Resolution,JDSR）技术的潜在好处。因此,本文提出了一种基于卷积神经网络（Convolutional Neural Network,CNN）的CDM算法与一种基于CNN的JDSR算法。（1）现有的基于CNN的CDM算法不能以较低的复杂度取得令人满意的性能。针对这个问题,提出一种应用通道间相关性和增强信息蒸馏的去马赛克网络（Color Image Demosaicking Network based on Inter-channel Correlation and Enhanced Information Distillation,ICEID）。首先,为了充分利用彩色图像的通道间相关性,提出了一种通道间引导重建结构,生成初始去马赛克结果;其次,提出一种增强信息蒸馏机制,能够以相对较低的参数量有效地提取和精炼特征,从而高效地优化重建的全彩图像。实验结果表明,与主流去马赛克算法相比,所提算法不仅在客观质量与主观质量上均获得明显提升,而且具有较低的计算复杂度和网络参数量。（2）针对JDSR任务,本文提出了一种设计优良的基于CNN的两阶段网络（Two-Stage Convolutional Neural Network,TSCNN）。在第一阶段,采用模式感知的特征提取（Pattern-aware Feature Extraction,PFE）模块根据采样模式信息直接从低分辨率Bayer采样图像中提取特征,同时保持提取特征的分辨率与输入图像相同。在第二阶段,提出了一种双支路特征精炼（Dual-branch Feature Refinement,DFR）模块,将特征有效地分解为两个空间频率不同的分量,并在这两个频率分量上应用不同的学习策略。在DFR模块的每个分支上,通过采用稠密连接的双路径增强块（Densely-connected Dual-path Enhancement Block,DDEB）精炼特征,并建立从低分辨率空间到高分辨率空间复杂的非线性映射。为了获得更强的特征提取和表征能力,DDEB采用了双支路的特征提取结构和通道关注机制。大量实验表明,该算法明显优于目前最优（State-of-the-Art,SOTA）的CDM和SR组合算法。此外,在明显更小的模型尺寸下,TSCNN也优于其他SOTA JDSR算法。