图像的超分辨率重建问题(Super-Resolution on image reconstruction,SR)在计算机视觉领域一直备受关注,近几年基于深度学习的图像超分辨率重建技术逐渐成为新的研究热点。尽管使用更快更深的卷积神经网络在单幅图像超分辨率的准确性和速度方面取得了突破,但一个核心问题仍然很大程度上没有解决,当提升重建的放大因子时,如何恢复更精细的纹理细节,需要我们进一步探究。基于优化的SR模型主要由目标损失函数的选择所决定,现有的超分辨率算法在优化目标上通常选择最小化MSE(均方重建误差函数),由此产生的估计具有高峰值信噪比,但它们通常缺乏高频细节信息,并且在感知上不能满足在较高分辨率下预期的保真度。为解决以上问题,本文在生成对抗网络结构的基础上,对单幅图像的超分辨率问题进行了深入研究,并提出了两种改进的超分辨率重建模型,本文的主要工作和创新点如下:(1)在对大量中外文文献的阅读和研究基础上,通过改进对抗网络的结构提出了两种不同的SR模型。A:多级联结构;放弃了原始模型中反卷积的上采样方法,采用双三次插值方法通过多级联合来逐级放大图像,这样不仅减少了模型参数提升了运行效率,同时还可以一次生成多个不同放大比例的图像。B:多尺度并联学习结构;生成器由两个残差网络块组成,通过融合网络将生成的不同尺度空间的HR图像进行加权求和,使得残差信息融合,从而学到更细节的图像信息。(2)舍弃了传统方法中使用的代价函数MSE,重新定义了新的模型感知损失函数。感知损失函数由三部分组成,分别为内容损失、风格损失(VGG网络特征检测)以及对抗损失。(3)实验部分采用多种模型,加入了各种对比参数,使得仿真结果更具有对比性。在生成结果的判定上不再单纯的只使用PSNR、SSIM评价指标;通过对三个公共基准数据集的图像进行广泛的平均意见得分测试(Mean Opinion Score,MOS)来对重建后的图像进行打分;并且改进的并联学习结构在Spacenet数据集的测试结果上也获得了不错的提升,生成的HR图像的PSNR指标值也提升到了27.43dB。