近年来,基于深度学习的图像超分辨率重建算法取得了突破性的进展。但是,重建后的图像过于光滑而缺乏真实性。为此,本文围绕如何恢复重建后超分辨率图像的纹理细节问题展开研究。主要工作如下:第一,提出了基于自注意力生成对抗网络的图像超分辨率重建模型。首先,在生成器的残差模块中引入自注意力层,它可以更好地利用全局特征信息进行超分辨率图像的重建;其次,在深度网络结构基础上,将生成器中的批量归一化层替换为实例归一化层;然后,使用Charbonnier损失作为内容损失来评估重建后超分辨率图像与真实超分辨率图像之间的相似性;最后,使用VGG19网络激活前的特征值来计算感知损失。由于激活前的特征可以更好的表示图像的特征信息,因此其可以更好地监督重建后的图像与原图像的纹理一致性,以保证重建后图像的真实性。第二,提出基于生成对抗网络的面部图像超分辨率重建模型。首先,利用双三次差值将低分辨率人脸图像以4倍的比例因子进行放大,将图像像素扩大到目标超分辨率图像像素大小;其次,使用编码器和解码器设计新的生成器结构,并将编码器和解码器进行特征共享;然后,使用鉴别器的中间特征来构建感知损失,取代了基于VGG16分类网络的感知损失,可以得到一种更加鲁棒的图像超分辨率感知损失,从而更好地合成人脸的面部细节;最后,模型采用最小二乘损失替换传统的生成对抗网络损失来稳定模型的训练,提高生成器生成图像的质量,通过将感知损失、内容损失和对抗损失相结合,构造一种通用的面部图像超分辨率重建模型。Set5、Set14、BSD100、Vaild、CelebA以及Helen数据集上实验结果验证了所提图像超分辨率重建算法的有效性。该论文有图30幅,表6个,参考文献88篇。