图像超分辨率重构（Super Resolution,SR）是计算机视觉的一个经典用法,是指通过软件或硬件的方法,将低分辨率图像重构为高分辨率图像,图像超分辨率重构可分为两类:从多幅低分辨率图像重构出高分辨率图像和从单幅低分辨率图像重构出高分辨率图像。本文主要研究的是基于单幅图像超分辨率的重构方法。图像超分辨率重构在监控设备、卫星图像遥感、数字高清、显微成像、视频编码通信、视频恢复和医疗影像领域内具有良好的应用价值。由于光学仪器等硬件技术的局限性,导致一些图像模糊分辨率低满足不了特定的需求,需要使用算法等软件的方法进一步提高图像分辨率。当前基于卷积神经网络的图像超分辨率重构和基于生成对抗网络的图像超分辨率重构在某种程度上解决了传统图像分辨率的问题,但是在算法空间上仍存在改进的空间。本文深入研究了基于卷积神经网络图像超分辨率重构和基于生成对抗网络图像超分辨率重构两种算法模型,对两种模型中目前存在的一些问题,提出了两种改进算法效率的方法,有效地提升了图像的超分辨率,重构后的图像更加清晰,恢复出的图像细节也更加丰富。本文主要研究内容主要分为以下几点:本文针对基于卷积神经网络的图像超分辨率算法重构后的图像尺寸缩小和图像模糊等问题,提出了一种改进方法,在模型中增加了网络层的深度,同时加入了残差网络。改进措施既能够提取更多的图像细节,又加快了模型的训练。实验结果表明,本文提出的基于卷积神经网络图像超分辨率重构算法的改进模型重构后的图像更加清晰,恢复了更多的图像细节,并且在两种图像质量评价指标上,峰值信噪比（PSNR）和结构相似率（SSIM）得到一定程度的提高。本文针对生成对抗网络本身存在的问题引入了相对生成对抗网络解决了生成对抗网络纳什均衡点难以找到,模型难以收敛和训练等问题。基于生成对抗网络的图像超分辨率模型对于放大四倍及以上图像的重构具有良好的效果,可以恢复更多的高频细节信息。但是由于该模型的网络结构复杂,模型训练难度大,对实验环境特别是硬件条件要求高等问题,本文使用一种卷积—反卷积的方法修改了算法模型的生成器部分,使生成器的网络变成一个完全对称的网络,同时减少了网络层数。利用相对生成对抗网络的方法修改了判别网络的损失函数。实验结果表明,本文提出的基于生成对抗网络图像超分辨率重构算法的改进模型重构后图像的效果达到了原有模型的视觉效果,恢复出更多的图像细节,并且在一定程度上提高了峰值信噪比（PSNR）和结构相似度（SSIM）的图像评价指标。