图像超分辨率技术,是指从低分辨率图像重建得到相应的高分辨率图像。该技术在众多研究领域有着广泛的需求和应用,如图像传输、航空遥感、影视修复、监控图像等。目前的经典图像超分辨技术恢复低分辨图像时存在纹理模糊,物体轮廓不明显,甚至出现比较严重的不自然波纹现象。图像超分辨技术超分辨模糊图像时,如何在精度和恢复速度上达到实际应用的需求水准,有待进一步解决。本文基于深度学习对人像图像超分辨方法进行研究。首先在经典的生成对抗网络超分辨模型——SRGAN（超分辨率生成对抗网络）的基础上,做了一系列的改进工作,包括对模型的损失函数模块、对抗网络模块、生成器的损失函数等方面。相比于原始的SRGAN模型,改进后SRGAN模型明显提升了对低分辨图像的质量水平,尤其是提升针对图像中物体的纹理细腻和逼真程度的恢复,同时在一定程度上减少了伪纹。然后,本文引入SRNTT模型（神经纹理迁移网络模型）,该模型借鉴了传统超分辨方法中的学习法思想。SRNTT模型对用作参考的高分辨图像和原始低分辨图像分别提取不同尺度的特征,进而在计算结构相似性的基础上,实现有针对性地从用作参考的高分辨图像到低分辨图像的纹理迁移,得到了纹理更加清晰、自然和细腻的恢复图像。最后,本文在人像图像上进行验证,对比了多个模型对模糊低分辩图像的恢复情况,在模型稳定性和两个图像恢复指标上进行比较,得出了在稳定性和恢复水平都表现更加优秀的GAN（生成对抗）模型。