图像超分辨率是计算机视觉和图像处理领域一个非常重要的研究问题,由于现实环境或硬件设备的影响而造成了图像的分辨率过低,导致人们无法从图像上获得更进一步的细节信息,而图像超分辨率重建技术可以通过借助原始低分辨率图像重建成细节更丰富、清晰的高分辨率图像。随着深度学习在图像超分辨率重建工作中的发展,图像超分辨率重建的效果越来越好。本文主要针对现有的卷积神经网络超分辨率重建算法在泛化和网络特征复用等方面存在的缺陷进行研究改进,研究的主要内容为如下两个部分:（1）考虑到大部分基于卷积神经网络（CNN）的图像超分辨重建算法是在低分辨率图像由目标图像通过双三次插值法下采样取得的前提下建立的,然而当这个假设不成立时,图像重建的客观评价指标以及主观的视觉效果就会较差。针对此问题,提出了一种基于高斯模糊的CNN的图像超分辨率重建算法。通过在图像输入网络前,将原始低分辨率图像与高斯模糊核进行卷积,以增强网络的泛化能力;并进行低频信息融合,即将低分辨率图像以全局残差的形式在上采样前与经过神经网络提取出来的高频信息进行融合;最后再使用亚像素卷积法把图像上采样到目标图像的尺寸,进而实现消减网络参数数量、提升运算速度的目标。（2）考虑到大部分已有算法不能充分利用卷积层所提取的特征,虽然构建了较深层次的网络模型,然而重建效果并没有呈现出相应的提升。针对此问题,结合残差网络和密集连接网络的优点,提出了一种基于多尺度特征融合的图像超分辨率重建算法,该算法通过在特征提取过程中,采用局部密集特征融合和局部残差信息融合相结合的方式构建特征跳跃融合块,以增强对前端网络特征信息的利用;对多个特征跳跃融合块进行全局特征融合,进一步提升特征的复用性,减少网络层数的同时增强网络的学习能力;获取全局融合特征后,考虑到图像存在区域信息具有相关性的问题,通过不同尺度的卷积对全局融合特征进行多种级别的上采样,提升最终的重建效果。