在实际应用中,由于成像设备具有局限性,通过相关设备获得的图像的清晰度较低。虽然可以通过改善设备质量的方式获得较高分辨率的图像,但是该措施的成本较高。图像的分辨率增强是指从一幅低分辨率的图像补充图像细节从而重建出高分辨率的图像。分辨率增强方法可以利用相关算法,在不改善硬件质量的前提下提高图像的质量。该技术的成本相对低廉,并且在卫星遥感、医学图像、视频监控等诸多领域有着广阔的发展前景。本文主要解决离散余弦变换（Discrete Cosine Transform,DCT）域图像上采样问题和空间域图像插值问题。针对DCT域图像上采样问题,本文首先提出了一种基于深度学习的DCT域上采样方法。之后,针对空间域图像插值问题,本文提出了一种基于递归学习的图像插值方法。图像上采样和图像插值虽然都可以完成图像分辨率增强任务,但是二者之间存在一定的差异。在图像上采样问题中,训练使用的低分辨率图像通过将高分辨率图像进行下采样得到,在下采样过程中,高分辨率图像中的所有像素由于下采样的影响,像素值均发生了变化。但是在图像插值问题中,通过从原始高分辨率图像中抽掉高分辨率像素从而得到低分辨率图像。因此,原始高分辨率图像中的低分辨率细节与得到的低分辨率图像完全相同。本文提出一个基于深度学习的DCT上采样方法中,针对DCT域系数的去相关性的特点,首先使用残差全连接网络对截断的DCT域高频系数进行估计,随后利用连接DCT域和空间域的全连接转换网络,将经过处理后的DCT系数转换为空间域图像,最后根据空间域像素间的相关性,利用后处理卷积网络,对得到的图像进行重构,从而增强图像的分辨率,获得高分辨率的图像。实验结果表明,针对DCT域上采样问题,对于现有的方法,本文中提出的方法在峰值信噪比（Peak Signal to Noise Ratio,PSNR）和结构相似度（Structural Similarity Index,SSIM）上可以在相同的参数量级上具有更好的表现,获得的图像具有更好的视觉效果。另外,本文提出一个基于递归学习的图像插值方法,首先通过一个卷积层提取特征,利用递归学习的方式进行非线性映射,最后完成高分辨率图像的重建。通过局部残差,使得网络的每个模块都与其他模块之间存在直接通路。并且采用了递归学习的方式进行非线性映射,减少了网络的参数数量。密集连接为网络中梯度传输提供了便利,由于图像插值任务中输入的低分辨率图像与原始高分辨率图像存在较大的相似性,因此采用了全局残差技术,极大的提升了网络的高分辨率图像重建质量。实验结果表明,针对现有的图像插值算法,本文提出的图像插值算法不仅需要更少的网络参数,而且具有更高的图像重建质量,具有更高的PSNR和SSIM。