随着计算机科学技术的快速发展,人们对图像的质量要求也日益提高。图像分辨率是描述图像质量的重要指标,提高图像分辨率的技术主要有硬件技术和软件技术两种。由于提高硬件设备精度的成本较高、技术困难较大,因此通过软件技术提高图像的分辨率成为研究热点。通过软件技术提高图像分辨率的方法,即超分辨率重建算法,主要分为基于传统的方法和基于学习的方法。随着计算机视觉技术的发展,促使基于深度学习的图像超分辨率重建技术趋于成熟。相较于传统方法,基于深度学习的方法可提取多样的、抽象的特征,从而获得更好的重建结果。但是,现有的基于深度学习的超分辨率重建方法仍然存在感受野较小、时间复杂度较高、梯度信息易丢失等问题。针对这些问题,本文提出了两种卷积神经网络结构。本文所做工作如下。针对现有网络的层数较浅、感受野大小较小、梯度信息易丢失等问题,提出基于局部和全局残差连接的卷积神经网络图像超分辨率重建算法。通过在低分辨率空间进行图像的超分辨率重建,减少图像预处理过程,降低网络复杂度;利用局部和全局残差连接,对卷积网络结构和亚像素卷积上采样层进行改进,局部残差促进了网络中信息的流动,解决了在网络训练中梯度消失的问题,全局残差使网络只学习图像间的残差信息,减少了网络冗余,加速了网络收敛;通过增加网络深度扩大了感受野,使网络学习到更多上下文信息用于重建图像。针对卷积神经网络计算量较大等问题,提出基于反卷积稠密块连接的卷积神经网络图像超分辨率重建算法。将卷积层与反卷积层进行迭代连接,实现了对图像特征的上采样与下采样,使得神经网络学习到不同阶段的图像信息;除了将特征提取后的特征与每个反卷积稠密块进行特征拼接,还在反卷积稠密块内引入了特征拼接,防止了梯度信息的丢失,在不增加网络参数数量的同时提高了网络宽度;在网络内部加入下采样过程,减少了网络参数,降低了网络复杂度,提高了训练速度。