图像分辨率是衡量图像信息丰富程度的重要指标,然而现实生活中直接获取的原始图像的分辨率往往难以满足实际应用需求,因此图像超分辨率重建技术应运而生。基于深度学习的图像超分辨率重建旨在通过算法设计实现对重建图像质量与视觉效果的提高,此外,为减少重建算法模型的内存占有量,研究轻量化实用性的超分辨率算法具有重要意义。本文针对可见光图像和红外图像分别设计了适应其特点的基于卷积神经网络的图像超分辨率重建模型,旨在提高图像分辨率的同时降低算法的模型参数量和计算复杂度。主要工作如下:1.针对现有超分辨率算法网络参数量庞大且难以提取层级特征信息的问题,提出了一种基于非对称扩张卷积信息蒸馏的可见光图像重建算法。首先,设计了非对称浅层卷积残差块和非对称扩张卷积残差块,这两种残差块能够在减少模型参数量的基础上增加网络的感受野,然后进一步调试以两组轻量化残差块为核心提取层的信息蒸馏模块的组合系数以最大化层级特征的提取效率。此外,为了提高层级特征信息之间关联性和确保提取特征的有效性,在信息蒸馏模块的末端引入了通道混洗机制和多尺度空间注意力机制。实验结果表明,与其他主流方法相比,所提出的算法在网络参数更少的情况下能够恢复出更高质量的图像,在网络模型轻量化与重建性能之间实现了更好的权衡。2.针对难以获取大规模高质量的红外图像样本集的问题,以易获取的可见光图像结合小样本红外图像数据为基础,提出一种基于迁移学习的渐进式微型蒸馏网络。该网络通过引入并行扩张卷积以在扩大网络感受野的同时最小化网格效应,获得图像丰富纹理细节信息的同时防止特征的丢失。此外,在全局结构设计中,通过级联连接保留浅层低频特征,在两个局部模块之间采用差值算法以提取深层高频特征,并设计了双全局恒等连接以加速网络收敛。在训练阶段,采用迁移学习策略将可见光图像集和小样本红外图像集分别作为预训练网络和微调网络训练集,以实现红外图像的超分辨率重建。实验结果表明,所提出的算法采用迁移学习策略明显提高了对红外图像重建的泛化能力,获得了良好的主观视觉效果和客观评价指标。