随着高分辨率显示设备的蓬勃发展,对高分辨率的图像和视频数据的需求也越来越高,在图像处理的过程中,从低分辨率图像中重建出对应高分辨率图像的方法被称为图像超分辨率重建,通过这一方法能够使我们在不更新成像系统的情况下,灵活低成本的得到高分辨率的图像数据。近年来,在图像超分辨率重建领域使用卷积神经网络来处理相应问题已经成为了一种主流方法,这种方法提升图像超分辨率效果的主要思路是:1、增加网络的深度;2、加强网络学习数据的稀疏性。本文以这两点思路为研究重点,针对网络结构加深后出现的梯度消失和计算量大等问题和具体稀疏数据的方法,设计出了使用改进残差块构建的网络结构和基于小波系数预测学习的图像超分辨率改进,并用实验证明了这两个改进的合理性和有效性,该方法在得到更好的图像边缘和细节信息的同时,大大减少了对计算资源的消耗。进一步对上述设计的改进方法分析,针对其存在的图像插值放大、正交小波变换中下采样和网络层次不够深等缺陷,本文使用平稳小波变换处理图像,并在构建小波系数残差的过程中使用平稳小波变换和小波包变换产生的尺度变化实现放大图像的效果,同时使用改进残差块构建一个更深的网络结构,并使用两个损失函数结合的方式约束网络的训练。通过实验证明了改进方法的有效性,并将其和现有的基于卷积神经网络的图像超分辨率方法比较,证明了该方法的先进性。