超分辨率重建技术是指在不增加硬件成本如成像设备等的条件下,使用数字信号处理的方法提高图像分辨率的一种技术。该技术不但可以改善图像视觉的效果,还有利于图像进一步的识别和处理。目前,随着机器学习与模式识别等领域的快速发展,而基于深度学习的超分辨重建算法成为研究热点。因此,本文主要研究并改进了基于深度学习的超分辨率重建算法。首先研究了深度学习模型中卷积神经网络方法的相关理论,详细介绍了算法原理,并针对遥感图像研究了一种卷积神经网络和微调的重建算法。具体采用5层的卷积神经网络来进行遥感图像超分辨率重建。首先从原始的低分辨率图像提取图像特征,接着将低分辨率图像的特征维数降低,再将低分辨率图像利用非线性映射层映射到高分辨率图像,紧接着升高高分辨率图像的特征维数,最后利用去卷积层聚合成高分辨率图像。在训练的过程中采用微调的方式来获得遥感图像重建模型。实验证明本文在SRCNN的基础上,将卷积层由三层增加至五层,其重建速度更快,性能更好。为了缩短卷积神经网络训练时间,同时更深入的学习遥感图像特征,本文研究一种极深卷积神经网络对遥感图像进行超分辨率重建。网络共有20层,每层包含卷积层和非线性层,层与层之间采用级联的网络结构。首先从插值的低分辨率图像中提取特征,然后利用网络结构将提取的特征通过残差学习预测到高频信息,最后将高频信息和插值的低分辨率图像结合重建出高分辨率图像。在训练过程中,通过梯度裁剪来防止梯度爆破,使训练保持平稳。实验表明,本文算法在遥感图像上训练速度更快,且保持了较好的重建效果。