图像中目标分辨率的缺乏对传统目标识别算法的性能造成了严重的影响,特别是在远距离的广角监控视频、无人机远程、航空影像等场景下。超分辨率技术作为计算机视觉领域的核心技术之一,已经成为解决此类小目标识别问题的一种流行又极具挑战性的方案。但在传统的超分辨率动机和小目标识别所需要的动机之间存在着本质的区别。前者旨在提高目标的视觉清晰度,而后者则是通过增强特定特征来提高分类器的识别精度。近期的工作在超分辨率的学习过程中纳入识别任务的目标以指导超分辨率模型的优化,在某个程度上解除了传统的超分辨率增强与识别动机不一致的制约,但并未深入探究联合小目标识别任务的超分辨率方法的具体要求和设计。本文系统研究了面向小目标识别的超分辨率技术,探究如何将识别任务的目标纳入超分辨率过程,建议联合超分辨率和识别网络在一个端到端的框架中,同时从联合框架结构、先验监督及训练方式这三方面的设计展开研究,提出了若干新的模型和算法,使传统的超分辨率技术可以通过自适应调整后应用于小目标识别任务中。本文的主要贡献如下:（1）设计并实现了一种端到端的分类结果引导的超分辨率方法,基于级联结构,同时利用分类结果先验,通过系统的协同训练策略以及多个损失的集成函数,有效地利用预先训练好的模型的能力,降低了多网络联合训练的难度,从而提高超分辨率模型对小目标识别的增强效果。（2）设计并实现了一种端到端的识别特征驱动的超分辨率方法,基于两步模型（超分辨率+特征提取器）的结构,同时利用识别特征先验,通过在训练过程中引入特征驱动损失微调的方式,并设计了多尺度特征提取、融合及对齐机制,有效结合了高分辨率图像深层语义和浅层信息,以生成深度融合的特征信息来增强小目标所需的细节特征,从而提高了对小目标增强识别效果。（3）设计并实现了一种端到端的对抗过程适应的超分辨率方法,基于对抗结构,同时利用对抗和识别过程先验,将超分辨率网络和双任务识别网络分别作为生成器和判别器,通过交替训练两个模块来提高各网络的性能,避免了在超分辨率过程中生成过多对识别任务无用的特征,可自适应不同的超分辨率网络和识别网络。