图像超分辨率重建（Super Resolution Image Reconstruction,SRIR或SR）是近年来图像处理领域的热点问题。由最开始的基于插值的一些传统算法到现在基于深度学习的算法,使得生成SR图像的质量越来越好,但是纹理细节不够丰富。SRGAN算法首次将生成对抗网络（GAN）应用到图像超分辨率重建（SR）中,且生成了质量较好和纹理细节更丰富的SR图像。ESRGAN通过引入没有批归一化层的残差套残差密集块（Residual-in-Residual Dense Block,RRDB）的网络架构单元进一步改进了SRGAN,使得生成的图像获得更高的感知质量和更多的纹理细节。但是,ESRGAN的训练过程难以监督,而且生成的图像边缘会出现几何变形。本文在SRGAN算法和ESRGAN算法基础上进行改进。首先对深度卷积神经网络（CNN）和生成对抗网络（GAN）进行研究,然后又对SRGAN算法的基本原理和网络架构进行了研究,并介绍了图像超分辨率常用的评价指标;其次研究了通道注意力机制网络,并将其加入到RRDB基础块中得到新的模块CA-RRDB,其优势是可以关注更加重要的特征,因此可以提取更有用的信息和特征。针对生成的图像会发生几何变形的问题,引入梯度指导分支生成超分辨率的梯度图,促使生成的SR图像在几何结构上与真实图片保持一致,并给出基于WGAN的损失,其可以更好的监督训练进程。实验结果表明,所提出的算法1生成的图像其PSNR值和SSIM值均高于ESRGAN算法;最后对算法一进行改进给出算法2,在生成网络中加入多尺度感受野模块,其优势在于多种尺度的卷积可以提取不同的纹理细节。为了消除WGAN中Lipschitz条件限制对网络训练的影响,采用基于WGAN-GP的损失函数。之后,采用网络参数融合既能消除基于生成对抗网络方法产生的令人不悦的噪声,又能保持良好的视觉感知质量。实验结果表明,算法二生成的图像具备更高的PSNR值和SSIM值。