当今社会主要以数字图像的形式传递信息,由于成像设备本身的限制及环境等因素的影响,在很多场合下只能得到低分辨率图像,因此采用图像超分辨率重建技术可以得到清晰的图像满足实际需求。图像超分辨率重建技术是利用软件算法将低分辨率图像重建成高分辨率图像。近年来,基于深度学习的图像超分辨率重建算法层出不尽,成为研究热点。本文主要研究基于深度残差网络的图像超分辨率重建算法,主要研究工作如下:1.研究基于深度残差网络的图像超分辨率重建算法,总结了大部分模型的特点,形成了基于深度残差网络的图像超分辨率重建常规模型,主要包括特征提取模块、特征增强模块和重建模块。针对常规模型中特征增强模块特征增强能力有限的问题,提出一种基于深度残差网络的改进模型1。该模型主要对特征增强模块做出改进,形成堆叠的特征增强模块,每个特征增强模块由一个增强单元和一个非线性化单元组成,增强单元通过不同路径下的卷积核提取不同种类的特征,非线性化单元负责提取多样的非线性特征,增强特征的表示能力。2.针对改进模型1中各模块间联系较弱的问题,本文依据密集连接机制思想提出改进模型2,在改进模型1的基础上增加模型中模块间的连接。具体在每个特征增强模块的增强单元都融合之前特征提取模块提取的特征信息,使较早层提取出的特征融合到较深层使用,增强特征重用。3.在Set5、Set14、BSD100和Urban100这4个常用数据集对上述两个模型进行重建实验,其结果表明:与基于深度残差网络的经典图像重建模型相比,本文所提出的改进模型1中改进的特征增强模块能更有效地增强特征表示能力,提升图像重建效果;而加入模块间连接的改进模型2能增强特征传递,有效加快网络收敛,进一步提升图像重建效果。