超分辨率重建能够在软件层面对数字图像的质量进行改善,从而突破成像系统硬件技术水平的限制,在医学图像、卫星遥感图像、安防监控等多个领域有着广泛的应用,因而是计算机视觉领域的一个热点问题。而近几年来随着深度学习以及生成对抗网络模型的引入,使得超分辨率重建相关的研究取得巨大的突破,许多性能远超传统算法的超分辨率重建模型被相继提出。本文首先对超分辨率重建问题的发展历程进行了梳理,介绍了国内外的研究现状。然后对超分辨率重建模型的理论基础进行了分析,并介绍了几种常见的超分辨率重建算法。最后,针对超分辨率重建问题中重建图像与高分辨率图像一一对应这一特性,提出了一种改进的基于孪生鉴别器的超分辨率生成对抗网络模型(Siamese Discriminative Super-Resolution Generative Adversarial Networks,SDSRGAN)。本文的工作主要包括如下几方面:本文提出了新的孪生鉴别器结构。本文提出的孪生鉴别器的结构改变了原生生成对抗网络中鉴别器只接收单一样本的局限性,通过接收重建图像与高分辨率图像组成的图像对,孪生鉴别器能够在不增加额外网络规模的前提下为生成器的训练提供更好的判别性能。本文改进了基于预训练VGG网络的知觉损失函数,提出了动态知觉损失函数。实验表明改进的动态知觉损失函数能比较重建图像与高分辨率图像在高层特征上的差异,提取的图像特征会随着整个对抗训练而不断地优化,并逐渐接近于与清晰程度息息相关的高层特征。利用改进的动态知觉损失函数能够让生成器关注与清晰程度高度相关的特征,从而得到在清晰度上与高分辨率图像更接近的重建图像。为了避免平均意见得分不稳定的缺陷,本文提出了一种基于相对意见的主观图像质量评价方式。该评价方式通过减少评分级别以及设置评分基准来降低评分过程中由评分者主观因素造成的不稳定现象。本文通过实验比较SRCNN、FSRCN、ESPCN、SRGAN和SDSRGAN算法对不同数据集在超分辨率重建中存在的性能差异,并使用PSNR、SSIM客观评价指标和本文提出的主观评价指标,从不同层面对各算法在图像重建质量上的差异进行了比较分析。