图像超分辨率(Image Super-resolution,SR)指的是由一幅低分辨率(LR)图像恢复出高分辨率(HR)图像的任务,它是在数学意义上的不可逆问题。最近几年,由于深度学习的大力发展,促进了许多优秀算法的产生。这些基于深度学习的算法的基本都是直接学习全局纹理的重建映射。但是,这样往往忽略了不同纹理之间的差别,因为每一类纹理都有其重建最合适的网络结构,因而对全局图像使用同一种网络结构进行重建并不能使整体的重建质量达到最优。另外,由于强化学习的发展,越来越多的学者将其与计算机视觉相结合。结合这两点动机,本文使用了强化学习算法来进行图像超分辨率任务的研究。算法中首先对输入低分辨率图像进行图像分割,然后通过强化学习算法动态的为不同的分割的图像区域选择合适的超分辨率重建算法,最后将所有超分辨的图像区域组合就得到最后的超分辨率图像。在此基础上,本文主要做出了以下贡献。第一,本文先设计的基于深度Q值网络对不同图像区域进行动态策略选择的图像超分辨率策略agent框架。应用深度Q值学习算法,使用三层卷积神经网络提取低分辨率图像子块的特征图作为agent的状态,以agent选取的模型作为动作,之后根据设计的区域内奖赏函数进行Q值训练,得到了最终的图像区域动态策略选择模型。第二,本文针对基于区域内奖赏函数的问题,即,相邻的图像子块如果纹理相似并采用了不同的SR模型进行重建,那么图像子块的交界会出现严重的伪影(artifacts),提出了基于区域间的奖赏函数并对动态策略选择agent框架作出了改进。考虑使分割后的相邻图像区域尽量选择相同的SR模型,以及控制图像使用SR模型的总数。与区域内奖赏函数相结合,解决了边界伪影问题。第三,为了进一步证明深度强化学习策略选择的优势,本文提出了基于人工模型融合图像超分辨率算法。方法令不同的图像超分辨率结构进行确定策略的融合从而达到对整幅图像进行超分辨率的目的。通过此方法与基于深度强化学习的动态图像区域策略选择算法作比较。从侧面证明本文提出的深度强化学习进行策略选择的优势。本文实验部分将所提出的方法其他一些已经公布的优秀算法的结果进行了比较,结果显示本方法在性能方面超过了大部分当今的算法,这证明了本文提出方法的有效性和实用性。另外,本文还对方法的各方面参数进行了研究,更详细的剖析了本文提出的算法的超分辨率重建结果质量和参数细节。据我们所知,本文探索了强化学习方法在超分辨率重建任务中的应用价值,缓解了图像结构存在多样化而超分辨率图像重建网络结构单一的矛盾问题。