由于设备硬件条件以及传输带宽的限制,很多情况下,终端设备采集到的图像分辨率质量较低,无法提取足够的图像信息,从而无法满足应用需求。针对这一问题,研究人员提出了超分辨率重构技术,利用已知的低分辨率图像重构出对应的高分辨率图像,该技术在视频监控、卫星遥感、医疗图像等多个领域中被广泛应用,因此具有重要的研究价值。传统的超分辨率重构方法中的字典训练模型使用人工特征所训练的字典,对于具有复杂和丰富纹理结构的图像,重构出的高分辨率图像质量不佳且不够真实,同时现有的超分辨率重构方法的目标函数一般是基于像素域的,导致重构出的高分辨率图像由于缺少高频纹理信息,使得其表面过于光滑。因此,现有的超分辨率重构算法性能存在很大的提升空间。针对上述问题,本论文结合深度学习,重点研究了基于深度学习的图像超分辨率重构算法。首先,本论文提出基于PCANet和核方法的图像超分辨率重构方法,主要包括:1)提出基于PCANet和核方法的字典训练模型,使用核方法,在PCANet网络的基础上,重新设计网络结构训练低、高分辨率字典,使得网络能提取出更多图像的非线性特征,同时得到低、高分辨率字典包含丰富的特征,克服了人工特征带来的缺陷,进而提高了字典的表达能力;2)结合稀疏表示,使用训练好的字典,对单幅图像进行超分辨率重构。实验结果表明:本论文提出的超分辨率重构算法提高了图像的细节清晰度,使得纹理更加流畅自然,同时具有良好的客观质量。接下来,本论文提出基于GAN(生成对抗网络)和ResNet(残差网络)的图像超分辨率重构算法,重新设计了网络结构和网络功能:1)利用残差网络具有向更深层传递信息的特性,在GAN的生成器网络中加入残差网络重新设计网络结构,同时在判别器和生成器中加入批量化层以加快网络的训练速度,提升了网络重构图像的能力;2)运用最小二乘法设计新的损失函数,在生成器网络中加入特征域损失函数,使得重构的图像具有更多的高频信息,纹理更加流畅自然;3)结合IBP(迭代反向投影)方法,将重构算法应用到车牌图像超分辨中,提升了车牌图像的清晰度。实验结果表明:本论文提出的超分辨率重构方法提高了图像的细节清晰度,使得纹理更加流畅自然,同时具有良好的客观质量。本论文提出的图像超分辨率重构算法在重构图像的主观质量和客观质量方面均具有良好的性能,可应用于视频监控、卫星遥感图像的恢复、多媒体通信等实际场景中。