深度学习在各行业、领域的应用越来越广泛,并且现在的深度神经网络算法已经可以通过给定的样本数据训练成为十分庞杂的模型.对于图像超分辨率重建问题,与经典的方法相比较,基于深度学习的方法能够保留图像更多的细节,且适应性更强,因此越来越受到人们的重视,现已成为图像超分辨率重建技术研究的热门方向.特别地,深度神经网络中的卷积神经网络（CNNs）具有极强的表达能力,在图像超分辨率重建方面取得了令人瞩目的成绩.然而,之前的大多数网络模型并未充分考虑到图像的先验信息,对于图像的很多有效信息并没有深入挖掘和充分利用;另一方面,之前的一些网络主要考虑网络的深度对重建结果的影响,而关于增加网络宽度的改进模型并不多见;此外,各种算法在损失函数的选取方面也没有详细的讨论,都是直接使用一些常见的误差损失函数.针对这些不足,我们提出了一种基于改进卷积神经网络的图像超分辨率重建模型.为了充分利用图像自身的信息,我们在卷积神经网络中加入非局部相似性模块,以便提取更多的图像特征;同时拓宽了网络结构,使模型能够取得更好的适应性;然后引入一类新的自定义损失函数,使其更适用于超分辨率重建问题.通过大量对比实验表明,本文所提出的模型在定性和定量评价方面优于一些已有的图像超分辨率重建算法,所提出的网络模型可以适应不同尺度的模型以获得高分辨率的图像.