图像超分辨率旨在将低分辨率图像通过技术手段复原出对应的高分辨率图像,是图像复原领域中重要的研究方向,在视频监控、医学成像、卫星遥感等诸多领域都有着重要的研究意义。现实中,由于硬件设备有限、环境干扰等因素,我们采集到的图像往往质量不高,这对不同领域的工作都会造成一定的困扰,甚至是安全隐患。随着深度学习的发展,图像超分辨率技术得到飞速发展。基于深度学习的图像超分辨率方法对不同层的图像信息使用率不足、高频信息丢失严重,导致复原出来的图像不能达到主观视觉的要求。针对上述问题,本文以广泛激活的深度残差网络为基础,对图像超分辨率复原中存在的问题进行研究,具体内容如下:（1）针对现有图像超分辨率模型对不同层的图像特征使用率不高的问题,研究一种新的融合感知损失的广泛激活深度残差网络的图像超分辨率算法。首先,用权重归一化代替批量归一化,提高模型的学习率和训练、测试准确率;其次,使用全局跳跃连接,避免梯度消失的问题,同时有助于梯度的反向传播,加快训练过程;最后,融合感知损失、对抗损失、像素损失,对整体损失函数进行优化,使用预训练的VGG16模型提取激活前的特征得到感知损失,避免使用激活后的稀疏特征导致的性能不良等问题。本文通过实验从主观视觉与客观评价指标两方面验证了研究方法的有效性。（2）针对现有图像超分辨率模型复原图像的高频细节信息丢失过多和纹理边缘细节模糊的问题,研究一种新的基于离散小波变换的广泛激活深度残差网络的图像超分辨率算法。首先,对低分辨率图像进行二维离散小波变换得到四个不同方向的分量及小波系数;其次,四个分量分别送入网络中学习,其中低频分量不需要额外进行训练;最后,不同分量的残差图像经过逆离散小波变换复原出完整超分辨率图像。本文通过实验从主观视觉与客观评价指标两方面验证研究方法的性能。（3）上述两种算法都使用了数据增广策略即Cut Blur,对训练和测试数据进行增广,针对同一图像的不同细节信息进行学习,从而提高网络性能,获得更为优质的图像复原效果。该论文有图55幅,表5个,参考文献94篇。