在空间环境中,液态合金处于热力学亚稳态,这非常有助于研究深过冷熔体的材料结构和热物理性质。受限于成本技术等原因,研究者通过构建静电悬浮结合落管装置模拟空间环境,同时使用高速摄像机捕捉深过冷熔体的下落图像,以研究其熔凝过程。但由于图像获取设备曝光时间等硬件限制,拍摄到的深过冷熔体图像分辨率较低,不利于进一步研究其热物性和凝固界面等性质。使用超分辨重建等软件设计方式可以更准确重构图像轮廓信息,有效提升图像分辨率。传统的超分辨重建算法多使用插值、重构以及字典学习等机器学习方法,可以在一定程度上提升图像分辨率,但受限于算法本身,重建图像多会出现边缘模糊、噪点以及细节消失等现象。近年来,随着硬件设备计算能力的发展以及相关理论的深入研究,深度学习方法成功应用在超分辨重建领域,在客观指标和主观感受等评价方法上超越了传统算法。目前的基于深度学习的超分辨重建算法大多直接对待重建图像进行Y通道或Y、Cb、Cr三通道学习,不足以提供更多先验信息解决超分辨重建这一不适定问题。本文提出了一种基于深度学习的单帧图像超分辨重建算法,本算法使用对图像频域特征进行模型学习的方式更好地重建了深过冷熔体图像。在本文提出的方法中,频域特征提取模块首先对图像进行离散余弦变换（Discrete Cosine Transform,DCT）操作,实现图像的时-频域转换,然后对获取的频域特征进行排列和重组操作,从而对模型学习中的浅层特征作精细化处理,为重建模型增加约束条件;多通道特征选择模块使用自适应学习的方式对各个通道特征进行加权配比,从而表征不同特征通道对图像构成的相应作用及同层特征间的相互关系;整个网络使用长短跳连接的方式加深网络深度,提取深层特征。本文将上述算法模型与当前流行的插值算法、稀疏编码算法、SRCNN算法以及EDSR算法进行了对比。实验结果表明,本文提出的算法在客观评价、视觉感知两方面对一般场景图像和深过冷熔体图像都取得了较好的重建效果,同时在针对深过冷熔体图像的基于任务的评价中也取得了超出上述对比算法的成绩。