图像超分辨率重建是计算机视觉领域的研究热点之一,它在医学诊断、安全监控和航天航空等领域都具有极其广泛地应用。现阶段提出的图像超分辨率重建方法主要是通过深度网络来学习低分辨率图像和高分辨率图像之间的映射关系来重建高分辨率图像。因此,如何构建鲁棒、有效的深度网络就成为图像超分辨率重建方法的关键问题。本文将数据驱动的超分辨率重建方法和模型驱动下的超分辨率重建方法相结合,通过专家先验知识指导深度网络的构建,从而精简网络结构,提高网络的重建性能。本文的主要研究内容包括基于l1模型驱动的递归多尺度去噪网络的超分辨率图像重建方法、基于lp（0＜p＜1）模型驱动的递归多尺度去噪网络的超分辨率图像重建方法和基于空间元学习的放大任意倍的超分辨率重建方法,具体内容如下:（1）现有的基于深度学习的图像超分辨率重建方法主要从数据驱动的角度,根据大量的训练数据拓宽或加深网络来提高网络的重建性能。然而,这会产生大量的网络权值,并导致高昂的计算成本。近年来,一些人开始根据贝叶斯优化问题推导出的迭代算法来设计深度网络,避免了盲目设计深度网络。但这些算法都是基于对异常值较敏感的l2数据保真项的优化模型推导出来的。由于l1范数能很好地描述异常值的稀疏性,本文根据l1优化问题推导出的迭代算法提出有效的深度网络。首先,我们利用分裂Bregman方法、优化最小化算法和软阈值算子,从l1优化问题推导出一个有效的重建图像迭代算法。其次,根据上述迭代算法,设计了一种有效的深度网络,称为l1模型驱动的递归多尺度去噪网络（l1-MRMDN）。该方法不仅可以通过l1数据保真项降低对异常值的敏感性,而且可以根据专家先验指导设计网络,避免盲目加深网络。大量的实验结果表明,我们提出的方法优于一些相关的超分辨率重建方法。（2）现有的将先验知识和深度学习相结合的超分辨率重建方法一定程度上缓解了仅从数据驱动的角度构建深度网络的弊端。由于lp（0＜p＜1）范数比l1范数具有更好的稀疏性,因此本文在l1稀疏诱导的超分辨率图像重建的基础上,进一步研究lp（0＜p＜1）稀疏诱导的基于深度学习的超分辨率重建方法,提出了lp（0＜p＜1）模型驱动的递归多尺度去噪网络算法。该方法首先利用迭代重赋权最小二乘将非凸、非光滑的lp（0＜p＜1）优化问题转化为凸的l2优化问题。其次,利用交替方向乘子法得到上述优化问题的迭代算法。最后,根据该迭代算法设计有效的深度网络。因此,本文所提方法不仅可以通过lp（0＜p＜1）的稀疏性提高模型的近似能力,降低网络对异常值的敏感性,而且根据专家先验指导设计网络,避免盲目加深网络。大量的实验结果表明,我们提出的方法优于一些相关的超分辨率重建方法。（3）针对现有的基于深度学习的超分辨率重建方法主要研究放大整数倍的重建,对放大任意倍（非整数倍）重建情况讨论较少的问题,本文提出一种基于空间元学习的放大任意倍的超分辨率重建方法。首先,该方法利用坐标投影找出高分辨率图像与低分辨率图像坐标间的对应关系。其次,在元学习网络的基础上,考虑特征图的空间信息,将提取的空间特征与坐标位置相结合作为权值预测网络的输入。最后,将权值预测网络预测出的卷积核与特征图结合,有效地放大特征图的尺寸,得到放大任意倍的高分辨率图像。所提的空间元学习模块可以与其它深度网络相结合,得到放大任意倍的超分辨率图像重建方法。本文提供了任意倍超分辨率重建方法,解决了实际生活中放大尺寸固定且非整数倍的重建问题。实验结果表明,本文所提的重建方法在空间复杂度（网络参数）相当的情况下,时间复杂度（浮点运算数）是其它重建方法的25%～50%,且峰值信噪比比其它一些方法提高了0.01～5、结构相似度提高了0.03～0.11。