作为数字图像处理基础研究的一个分支,图像超分辨率(Super Resolution,SR)重建技术在航空航天、视频监控和高清视频点播等领域应用广泛,因此对其展开研究具有理论与实际应用两方面的普遍意义。当前,SR重建技术包含重构和学习两大类,其中基于学习的算法通过借助外部训练数据来解决原LR图像先验信息不足的问题,最近几年发展起来的基于卷积神经网络(Convolutional Neural Network,CNN)的方法正属于此类。然而,当前基于CNN的SR方法由于构造网络深度较浅而无法高效学习高频特征,因此最终重建图像成像结果不理想的问题相对突出。同时,针对网络设计过深带来的训练难度增大的问题,相应的解决方案欠缺。为此,本文着重对以上两个难点展开研究:(1)构建深层残差密集跳接网络RDSR,提升重建图像的成像质量。传统CNN网络由于基本构造块的内部结构相对单一,构建网络深度受限,导致模型对高度抽象的特征信息学习不足,从而最终重建图失真、模糊等情况普遍。对此,本文构建了嵌套残差密集跳接的基本构造块,并以该块为基本单元设计极深层网络RDSR(深度为437层)来解决该问题。在深层网络的作用下,重建图像内部像素的感受野增加从而使得输入LR图像更大范围的结构信息被捕获,使用训练数据集可拟合一个更复杂的映射函数。实验结果证明,相比于较浅层网络(30层以下),本文设计的极深层网络RDSR对应的重建图其边缘、密集纹理区域更接近于高清原图;相对于经典VDSR算法,在五个标准测试集上峰值信噪比平均提升幅度为1.22dB(4)。(2)使用金字塔残差学习策略来缩短RDSR网络达到收敛的训练用时,降低网络的训练复杂度。随着网络的不断加深,模型参数逐步增多,映射函数的训练难度随之相应增加。在图像识别领域,残差学习策略通过学习稀疏高频信息来保证网络更快达到收敛;而拉普拉斯金字塔中低层图像内部信息也是高度稀疏的,因此本文通过将SR领域中端对端学习的做法代之以学习金字塔残差信息,构造金字塔残差学习网络pRDSR.由于残差信息是高度稀疏的,因此避免了传统做法将计算资源耗费在对LR图像低频信息的二次映射上,从而使计算资源更集中于高频分量学习。训练过程损失值变化曲线表明,pRDSR网络相对于RDSR网络能更快达到收敛,且最终收敛值更低;同时,相比于经典VDSR算法,pRDSR在五个标准测试集上峰值信噪比平均提升幅度为1.13dB(8),在8放大的图像上其重建纹理也更接近于HR原图。