双焦相机系统是一种光学参数不对称的双定焦相机系统,具有不同的焦距等光学参数。而两个定焦相机组成的光学系统在各种商业应用中,正在变得越来越受到欢迎。究其原因,主要是因为双焦相机系统经济适用,鲁棒性好不易损坏。在实际应用中,用户希望双焦相机系统可以提供数字变焦图像。目前存在的相关算法,比如图像超分辨算法和图像融合算法,可以有效的同时利用来自长焦相机和短焦相机的相关信息,但是因为空间采样频率的不匹配,却不足以产生可以拟真的数字变焦图像,这种情况在两个定焦相机焦距相差较大时尤为明显。本文提出一种连续变焦的超分辨模型框架,只进行有限几次超分辨成像操作,便可以合成数字变焦图像,大大减小了对计算复杂度和对程序存储空间的需求。并且提出了一套基于纹理修复的模型。用来克服超分辨成像对于纹理等信息性能不佳的问题,这种基于频带修复的超分辨算法便构成了本文讨论的用于双焦图像的数字变焦算法。同时,本文还针对现有超分辨算法通常过于复杂的问题,受到用于进行图像保真的反向投影算法的启发,从成像过程中的图像退化模型出发,提出了一套基于小递归卷积神经网络的单帧图像超分辨模型。结合图像退化的物理模型,用几乎可以忽略不计的模型复杂度和计算量实现超分辨算法。实验结果表明提出的算法可以同时兼顾超分辨算法和图像修复算法的优势,并且输出纹理丰富边缘清晰,视觉拟真性更佳的合成数字变焦图像。客观指标上也可以比双三次插值高2dB左右,而本文提出的基于小递归卷积神经网络的单帧图像超分辨模型,虽然相比较大样本集,允许大量的计算开销的高复杂度算法平均来看低0.2dB,但是本文提出的算法有几乎可以忽略不计的模型复杂度和计算量,并且在模型与应用场景不匹配时也有一定的鲁棒性。