数字时代早已来临,图像作为其中主要的信息传播媒介,已经广泛应用于各种场景。在众多领域中,人们对于图像的画质有较高的需求,比如医疗图像领域、卫星遥感领域等。对于高速发展的信息时代来说,低分辨率的图像已然很难满足特定场景的需求。因此,图像的超分辨率在计算机视觉任务中有着重要意义。基于卷积神经网络的图像超分辨率方法大大提升了超分辨率的性能,但很多感知网络往往存在重建图像纹理结构模糊、缺失高频信息的问题。因此本文提出了一种基于多尺度异步学习的生成对抗网络结构,在生成器模型中使用金字塔结构来融合不同尺度高频信息。本文还采用U-net网络作为鉴别器来考虑输入图像的全局和局部上下文,并对损失做出了部分改进,最终获得更好的高分辨图像。本文在Set5、Set14、BSD100、Sun Hays80等基准数据集上的实验结果证明了该方法在恢复低分辨率图像的细节纹理信息具有良好效果。本文的具体研究内容如下:（1）为了在超分辨率领域中获得更加精确的图像尺度,本文提出了一种基于多尺度生成对抗网络的超分辨率方法。该算法将许多种深度神经网络的结构结合在一起,得到了一个异步的网络模型。（2）为了使网络能够更好的提取低分辨率图像中的特征信息,本文设计了多尺度的生成网络来抓取高频信息,优化输入的低频信息,增强了网络效果。在数据输入网络之前先进行预处理训练,并为了确保数据集对网络的影响而做了相关的消融实验,保证了算法的完整性。（3）为了解决现有超分辨率方法的模型层级不能很好匹配特征感知度的问题,本文将生成网络模型层级设计成不同层级的异步网络,并采用了能维持图像维度的解码编码器作为鉴别器网络结构,最后设计改进了损失函数。（4）本文通过定性分析探讨了模型的图像生成效果,采用SSIM、PSNR以及LPIPS作为评价标准,将本文算法与不同的算法在同一测试集上做比对,结果表明本文算法重建的图像视觉较好,在高放大因子时能够更好地重建图像的纹理和线条。