随着现代信息的爆炸式增长和数字时代的到来,图像逐渐作为信息传播的主要媒介,广泛应用到各个领域。图像在传播过程中,以其迅速、直观和高效的特点让受众以视觉化方式接收信息。由于图像特有直接性,其能突破语言和文字的限制,因此图像在信息传播的过程中有着无可替代的重要性。超分辨图像率重建作为图像处理的一个重要的研究方向,在军事侦察,城市规划,环境监测等方面有着巨大的应用价值,它是通过一系列处理将单帧或多帧低分辨率图片重建成细节纹理更加清晰和丰富的高分辨率图像。传统的超分辨图像重建通常是通过硬件途径来提高图像的分辨率,这需要耗费高额成本和面临巨大的技术挑战,这也是超分辨率图像重建研究领域长期面临的难点。针对上述超分辨图像率重建存在的问题,本文围绕深度学习中的卷积神经网络和生成对抗网络,研究了基于改进生成对抗网络的超分辨率图像重建,仿真实验结果表明:改进后的算法达到了良好的图像重建效果。本文完成的主要研究工作内容如下:(1)查阅了大量国内外关于超分辨率图像重建的文献资料,简要的概述了超分辨率图像重建的发展现状和研究意义。对深度学习、卷积神经网络进行了介绍,详细阐述了卷积神经网络计算的原理;然后介绍了GAN、CGAN和WGAN这三种网络模型,为后续的改进算法的研究和实现奠定了理论基础。(2)针对生成对抗网络训练时不稳定,存在收敛速度慢,梯度消失或爆炸,本文提出了一种基于条件生成对抗网络的遥感图像超分辨率重建的改进模型。为了加快模型的收敛速度,在生成器网络中使用内容损失和对抗损失相结合作为目标函数。另外为了提高了网络训练的稳定性,在判别器网络中引入梯度惩罚函数对判别器梯度进行限制。实验结果表明,改进后的模型相较于SRCNN,FSRCNN和SRGAN模型,主观视觉效果和客观评价指标均有显著提升。(3)本文在SRGAN结合WGAN的基础上进行改进,由于WGAN需要满足Lipschitz连续性,最后只能将权重压缩到一个范围来强制满足Lipschitz连续性。但这会造成对深度神经网络拟合能力的极大浪费,另外对权重进行强制剪切容易导致梯度消失或者爆炸。因此通过在SRGAN中引入Wasserstein散度,并将其最大化得到最优化标量函数T,这样可去掉L约束直接得到Wassertein距离,并通过最小化Wassertein距离得到生成网络的目标函数,最终提高重建图像的质量。实验结果表明,该方法能够生成高分辨率的人脸图像,在主观视觉和客观评价指标均同比优于DRCN、FSRCNN、SRGAN_WGAN、VDSR和DRRN模型。