遥感卫星是近年来飞速发展的现代化对地观测技术,被广泛应用于环境监测、资源勘探、灾害预警和军事等领域。但是在实际场景的遥感卫星图像中,受光学器件、成像噪声和运动模糊等因素的影响,遥感卫星图像分辨率有限,难以满足实际应用场景的需求。超分辨率技术可以克服硬件和技术工艺的限制,从软件层面提高卫星图像的空间分辨率。因此超分辨率重建技术能经济而有效地提高遥感卫星应用效率。基于学习的卫星图像超分辨率算法利用高分辨率样本提供的先验信息,来预测低分辨率图像中缺失的高频信息,获得了较好的效果,因此成为卫星图像超分辨率的主流研究方向。深度学习提供了一种强大的模拟非线性表达的超分辨率解决方案,极大提升了图像超分辨率的主客观重建质量。本文围绕着图像重建中高频信息的恢复和卫星图像的多尺度特性,对“更深”和“更宽”的卷积神经网络展开了研究,主要的研究成果如下:1.基于中继循环残差网络的卫星图像超分辨率算法,针对低分辨率图像和高分辨率图像之间的信息差距增大,传统的超分辨率算法的重建性能下降这一问题,本文设计了一种双层的中继循环残差神经网络,用于增强超分辨率重建图像的重建效果,重建网络负责初步图像重建,中继网络进一步提升图像细节。实验结果表明,所提出的算法在SpaceNet卫星图像数据集上,无论是主观质量还是客观评分都超过了前沿的算法。2.基于多尺度残差神经网络的卫星图像超分辨率算法,针对现有超分辨率网络为了获得精细的重建细节使用较小的感受野,所提出的算法通过大/中/小三个尺度的残差神经网络,模拟人类“多层次观察能更全面的认识目标”的视觉体验。三个网络分别用于预测全局信息/上下文信息/局部信息不同等级的视觉任务,使用神经网络来融合不同的高频信息。此外,本文使用基于超分辨重建的特征匹配验证了该算法重建的结果不论是在主观质量、客观评分还是特征恢复,都优于前沿的卫星图像超分辨率算法。