图像超分辨率重建技术作为机器视觉的重点研究课题之一,因其广泛的应用价值成为研究热点,但重建质量、速度及图像的复杂多样性等实际性问题也给重建技术的研究带来了巨大的挑战。近年来,深度学习方法的兴起促进了人工智能的发展,也为超分辨率重建技术提供了一个新的思路。本文从超分辨率的概述和基本理论入手,按照超分辨率重建算法在技术上的分类,分别介绍了几种传统的基于插值、重构和学习的重建算法,并给出了质量评价标准。基于传统算法在重建效果和速度上的不足,本文将深度学习理论应用到重建过程之中,并在此基础上进行多种改进,主要研究了卷积神经网络在图像重建上的应用、处理存在雾化的特殊图像以及图像增强算法。我们对基于卷积神经网络的重建模型(SRCNN)和基于快速卷积神经网络的重建模型(FSRCNN)进行深入学习研究,并针对模型的不足之处,提出改进方案。首先,我们对训练过程和各个参数选择进行网络性能分析,最终提出新的训练策略并采用新的激活函数PreLU,大大缩减训练时间,系统稳定性也得到增强。然后,针对原FSRCNN模型对雾化图像重建结果不理想的问题,我们加入快速去雾算法作为模型的预处理过程。最后,针对现有模型重建效果往往忽略人眼视觉的缺陷,我们在模型后续阶段加入图像增强算法,采用修正Retinex算法来提升图像的整体视觉效果。文章结合主观感受和图像质量评价标准设计对比实验,比较重建结果。实验表明,我们的改进方案不仅针对一般图像有很好的重建效果和重建速度,而且对于雾化图像重建效果更是有很大提升,重建过程更加稳定高效。除此之外,图像细节得到进一步增强,更满足人眼视觉需求,更具有现实应用价值。