人工智能的快速发展,促使深度学习的图像超分辨也得到了突飞猛进的发展,并在医学诊断、天气监测和刑侦分析等方面具有广泛的应用。传统超分辨方法不能很好地恢复图像细节信息,重建图像也存在模糊和锯齿等问题。之后人们提出来使用卷积进行图像恢复,于是出现了深度学习的超分辨方法,并且该类方法取得了良好的效果,这类网络也已经被应用在医学成像、图像处理和刑侦分析等领域。但目前超分辨率图像重建仍然受到资源需求大、重建效率低和重建之后的图像质量低等挑战。现有超分辨方法只能初步解决重建图像细节,在较为复杂的图像处理中,还是存在很大差距。为此提出了一种改进的生成式对抗网络的超分辨率重建算法,对生成器结构进行调整,在生成器方面取消批归一化层,归一化虽然能够很好的解决数据过饱和的问题,但是在超分辨率方面表现不佳,而且移除后重建图像色彩及原图像空间表征得到较好的提高。使用Leaky-Re LU激活函数有效解决网络过拟合问题并提高模型收敛速度,进一步调整模型的网络深度以及网络参数。参考马尔科夫判别器的思想,对判别器进行改进,调整判别器结构,改进了重建中经常出现的图像过于模糊的问题,并通过实验表明,改进后的模型有效解决了图像纹理信息及边缘信息缺失的问题。为更好的恢复图像的高频和低频信息,提出了新的重建算法。在生成器网络结构上,参考密集网络,提出了一种跳跃式密集残差块的结构,并加深其网络深度,采用了跳跃式的连接方式解决网络深度增加带来的梯度消失以及边缘信息提取少等问题,通过多路分支的方法提取更多特征,为充分利用深层网络的分层特征,采用了局部和全局的残差学习与特征融合进行优化,提取更多的有效信息,进而提高重建图像的质量。取消归一化层,进一步调整模型的网络深度以及网络参数。加深网络的深度提取更多的细节特征,经过实验验证表明,该算法重建效率较高,鲁棒性很强。