图像超分辨率是计算机视觉领域的一个重要课题,是指由一幅低分辨率的图像或者图像序列生成高分辨率的图像的过程。而深度学习是利用卷积神经网络模拟人脑进行学习,具有抽象层次高,特征表达丰富等优点。因此,深度学习在图像超分辨率领域有很强的适用性和优势。以开源图像超分辨率模型为基础,分析其代码结构和模型框架,在原有模型的基础上进行优化和改进,并对优化之后的结果进行了验证,主要工作是:学习率是深度学习中的一个重要的参数,对于模型训练的速度和质量有很大的影响。学习率太小容易导致模型训练效率过低,难以快速收敛,太大则容易导致loss值剧烈震荡。模型训练过程中学习率需要不断调整,提出了一种自适应的学习率调整方法,根据结果动态调整学习率大小。实验结果表明,模型的性能有一定的提升。借鉴了近期较为流行的深度卷积对抗生成网络,在分析了其结构的基础上,首先将图像超分辨率模型中判别网络的输出概率作为激励因子引入到生成网络的代价函数中,加强了子网络之间的关联。然后对两个子网络做了一定的优化:增加了批规范化层,改进了激活函数。实验结果表明,针对模型的优化和改进对于整体的性能有所提升。