图像超分辨率技术能够直接提高图像的分辨率，而被广泛应用于安全监控、军事遥感、医疗应用以及视觉应用等领域。基于深度学习的技术已经成功的被引入到该领域，取得了不错的成果并正在快速发展。为了进一步提高图像重建质量和加快网络训练的收敛速度，本文基于深度学习的理论，着重研究了基于卷积神经网络的图像超分辨重建，主要研究工作如下：　　(1)为了解决经典的卷积神经网络模型支路单一化，导致网络提取特征缺乏多样性的问题，提出了基于并列卷积神经网络的超分辨率重建方法。该方法对网络结构进行了探索，通过两条不同网络支路组成并列网络。不同的网络支路能够获取更多不同的特征信息，有利于提高网络模型的重建精度。实验结果表明，该网络重建的图像主观视觉效果更优，客观评价参数也进一步提升。　　(2)随着并列网络模型的复杂化，收敛速度慢成为突出问题。针对这一问题，本文引入局部正则化层。在卷积层后添加正则化处理，以达到简化模型参数、增强特征拟合能力的效果，最终达到加快收敛的目的。实验结果表明，网络结构收敛速度更快，重建效果也有所提升。　　(3)针对经典的基于卷积神经网络重建方法存在感受背景区域小，网络训练应用的训练集包含的信息不够丰富，以及重建层对特征利用不够充分等问题，提出了应用多样性样本的改进型深度卷积神经网络的超分辨率重建方法。该方法构造一个四层网络，并引入反卷积层作为重建层；同时网络训练应用多角度变换的样本集。该方法解决了原本感受背景区域小的问题，加快了网络的收敛速度，使得卷积层具有旋转不变性，恢复的图像与原图更接近。实验结果表明，本章提出的方法不仅能够提高网络模型的重建速度，而且还进一步提高了图像重建质量。　　本文从网络模型和数据集两个方面提出了改进的图像超分辨率重建算法。实验结果证明，与经典的方法相比，本文提出的方法在网络的收敛速度以及重建效果等性能指标上均具有优势。