随着计算机技术的高速发展,数字图像在很多领域已经得到了广泛的应用,但是如何提高图像分辨率依然是数字图像领域里追求的目标。受硬件设备的限制,通过改善硬件成像装置来提高图像的分辨能力是有限的也是不切实际的,解决这一问题的实用而有效的方法就是图像的超分辨率(S uper-resolution,SR)重建技术,旨在通过计算机软件的处理就可获得更高分辨率的图像。然而传统的图像重建方法不能很好的恢复低分辨率图像采样过程中丢失的边缘和空间结构以及高频纹理信息。而目前基于卷积神经网络(Convolutional neural network,CNN)的图像超分辨率重建算法在网络结构和损失函数方面还有很大的提升空间,比如复合损失函数可以结合图像特征的多个方面恢复图像信息,网络结构可以更加紧凑以提升图像重建模型。基于深度神经网络的单图像超分辨率技术,常用逐像素均方误差度量重构损失函数。均方误差损失能够很好地恢复图像低频信息,但是,对于图像中诸如边缘和纹理等高频信息则被过度光滑。本文提出了一个新的基于密集型残差卷积神经网络的单图像超分辨率算法,组合了逐像素均方误差损失、感知损失和纹理损失的复合损失函数,分别从低频信息、锐利边缘和高频纹理三方面对图像进行重建。本文结合感知损失思想提出了改进的深层残差残差网络的图像超分辨率重建算法。首先,在网络结构方面,增加网络层数以便于更好的提取特征、重新构造残差块模型、在残差块中采用稠密性跳跃连接;其次,构建复合损失函数来训练整个网络,将不同权重的逐像素损失函数、感知损失函数以及纹理损失函数相融合作为整体损失函数训练卷积神经网络。最后,后处理部分采用直方图匹配的方法来进一步提升图像的感官效果和整体的复原质量。通过将本文的基于深层残差卷积神经网络的图像超分辨率重建算法与其他基于学习的图像超分辨率重建算法在经典的Set5,Set14,BSD-100数据集上的实验结果进行对比,客观结果数据显示:本文提出的算法较对比算法,有更高的PSNR值和SSIM值;从主观显示:本文算法重建结果能够更好的保留图像中局部纹理细节,而且图像看起来更加真实和自然。