图像超分辨率(Super-Resolution,SR)的本质是将一张低分辨率图像(Low-Resolution,LR)重建成一张高分辨率图像(High-Resolution,HR)。图像超分辨率问题是计算机视觉中的一个热点和难点,主要是基于一张高分辨率图像退化成一张低分辨率图像,随着环境的不同,有着不同的退化方向。因此一张高分辨率的图像可以有多张低分辨率图像。该问题本质上是一个多对一的关系,难以用某一种特定数学关系式去解决。随着深度学习技术的快速发展,卷积神经网络被尝试用于去训练拟合这种多对一的关系,使得重建后的超分辨率图像质量显著提升。目前,关于图像超分辨率问题的解决方法已很多,但是大多数现有方法的网络结构都具有较大的参数和模型计算量。鉴于实际的工业应用水平难以达到实验训练的计算力,所以这类方法也将难以应用到实际的生活上。本文的研究重点是如何在比较低的模型参数和计算复杂度的情况下仍然保持一个较好的图像超分辨率性能。针对这个问题本文提出了两种研究算法。(1)本文提出了一个基于特征分离融合网络的图像超分辨率算法。以往的研究表明,随着网络深度的增加,图像超分辨率的性能会得到一些提升。但是也造成了模型的运行时间大大增加,使得训练非常困难。造成此问题的现状是单层卷积的特征提取能力的不足,所以研究人员通过累加卷积结构提升模型性能。基于此,提出一个有效的网络模块显得尤为重要。本文提出了一个特征分离融合模块,通过将单层卷积提取的特征和原始的浅层特征作负残差并将此定义为未被提取的特征,然后再将此特征与单层卷积提取的特征作自适应特征融合。本文将此模块定义为网络的最小结构单元。本文又通过采用分块的思想,有效地实验分析,合理控制分块大小,最终得到本文所提出的特征分离融合网络。(2)本文提出了一个基于密集连接的特征分离融合网络的图像超分辨率算法。基于特征分离融合网络已经论证了特征分离融合模块的有效性,本方法的研究方向就是,如何在不大量增加模型参数的情况下更进一步地提升网络的性能。由于密集连接可以做到各个不同层级之间的特征信息流动,这在网络训练的过程中可以学习融合前面层级的特征,是一个非常有效的举措。然后在融合模块本文利用一个1×1卷积层作特征融合,这在参数的消耗上也是可以忽略不计的。基于此,本文提出了局部级联特征分离融合模块和全局特征融合模块,这两个模块构成了密集连接的特征分离融合网络的核心单元。最后,本文和一些先进的算法从视觉效果和数学指标上做了详细的比较,本文的提出的算法表现最优。