图像是人类获取外界信息的载体，都希望获取图像的清晰度越高越好，通常情况下高分辨率的图像由于具有更多的像素数目，包含的信息量也更多，也更加清晰。由于受到外界各种退化因素以及物理硬件的限制，获取的图像分辨率常常无法满足人们的要求，因此研究利用软件算法进行图像超分辨率的方法十分必要，本文着重研究了基于深度学习的超分辨率算法。　　首先，对超分辨率相关技术进行了分析和研究，并对其中基于深度学习的超分辨率重建相关技术以及超分辨率图像质量评价指标进行了重点分析。　　其次，研究了一种基于亚像素卷积的超分辨率方法。该方法针对一般的基于卷积神经网络的超分率算法中将低分辨率图像插值放大再输入网络的方式，改进为直接将低分辨率图像输入网络，再在网络的末端使用亚像素卷积提高特征图的分辨率的方式，大大减少了网络运算复杂度。并将在图像识别中表现优异的残差网络结构加入到超分辨率网络中，加强了网络特征提取的能力。实验结果表明，改进的基于亚像素卷积的超分辨率算法相比于目前其它的相关算法，实现的4倍超分辨率重建能得到更好的图像质量。　　最后，提出了一种基于多尺度标签的亚像素卷积的超分辨率算法。在之前的亚像素卷积网络中，加入了一种跨尺度的跳跃连接结构，能融合网络浅层和深层的特征。考虑到直接超分辨率4倍难度较大，通过改变网络结构，增加了超分辨率2倍的输出，实现了基于多尺度标签的亚像素卷积超分辨率算法。实验表明，在网络中加入多尺度标签的结构能够提高算法重建图像的质量。