图像已成为现代生活中信息展示和传播的一个非常重要的载体，因此相关算法的研究也受到国内外学者们的广泛重视，衍生出很多重要的分支方向。图像超分辨技术作为计算机视觉领域的一个重要分支，由于其在很多行业应用前景广阔，近些年发展成为了一个国际热点课题。超分辨技术的基本任务是从原始的低分辨率图像或视频重构出对应的高分辨率图像或视频，这是一个非常有挑战性的病态问题。近年来，以卷积神经网络(Convolutional Neural Networks，CNN)为代表的深度学习技术在计算机视觉领域的很多应用中取得了突破性进展。基于CNN的超分辨算法由于能够通过训练充分学习到低分辨图像到高分辨图像之间隐含的非线性关系，因此在重构效果上超越了其它经典算法。本文针对几个典型代表的基于CNN的图像超分辨率算法存在的不足，提出了相应的改进策略，并通过大量测试验证了改进策略的先进性。论文的主要创新工作内容如下：
　　一、提出一种基于网格搜索的场景降质核参数估算方法。该方法首先设计一个成像标定系统，并采集了真实场景下的成像信息；随后，优选了图片模糊程度量化分析指标，并在此基础上以网格搜索的方式推理出最佳的图像降质的核参数；最后，通过训练多个核参数设置下的“非盲”超分辨率模型ESPCN_NB，证实了最佳的核参数设置确实有助于提升超分辨模型的重构性能。
　　二、提出了一种可变降质信息融合的图像超分辨算法。该算法主要针对不同降质条件下的低分辨率图像的高分辨率重建设计。具体通过将不同降质条件下的低分辨率图像和它对应的最佳降质核参数作为输入，训练可变降质信息融合的超分辨率网络。测试结果表明，本文提出的超分辨模型能更精确地重构出低质图片的高频细节信息，尤其对于模糊程度高的低质图片，该模型相比其它经典模型优势更明显。
　　三、提出了一种多帧自适应融合的视频超分辨算法，该算法主要解决了传统固定帧数的视频超分辨算法中图像配准的难题。本文首先提出了一种改进的多组固定帧融合的视频超分辨算法。随后，进一步提出了动态配置多组固定帧权重的多帧自适应融合的视频超分辨算法。测试结果表明，本文提出的算法对内容信息波动大的低质视频超分辨重构效果更优、鲁棒性更强、且能有效地抑制闪烁现象。