深度网络比传统超分辨率网络可以更好地学习图像特征,可以用更加准确的信息来表达没有噪点影响的干净图像。深度网络在图像超分辨率方面取得了实质性进展。然而,这些网络中的大多数都依赖于更深层次的架构来增强预测图像的清晰度,在图像超分辨率网络模型中单个特征不能很好地处理复杂的图像放大系数。（1）在基于双卷积神经网络的图像超分辨率方法中,提出了一种多分支网络的神经网络来获得高质量的图像。多分支网络的神经网络依靠两个子网络来提取互补的低频特征,以增强网络的学习能力。为了防止长期依赖问题,卷积和残差学习操作的组合被嵌入到对偶子网络中。为了防止原始图像的信息丢失,增强块用于收集原始信息并通过亚像素卷积获得更深层的高频信息。为了获得更多的高频特征,使用特征提纯块来学习更多的高频信息细节。实验结果表明,所提出的多分支网络的神经网络优于其他流行的超分辨率网络。（2）在基于变形异构卷积神经网络的图像超分辨方法中,提出了一种图像超分辨并行异构卷积神经网络来解决现有模型不足以满足各种图像超分辨的问题。图像超分辨并行异构卷积神经网络采用多视角块的形式,用截然不同的两种模型结构通过对同一图像进行超分处理,以此来提升网络模型学习能力。在参数方面,为了降低模型参数,考虑到设备的局限性,采用轻量化网络模型来解决图像的特征提取。考虑到由于使用较少的参数和模型层数,为了平衡减少参数所带来的特征丢失,增加异构网络的形式来平衡参数与超分模型性能之间的调控。实验表明,修复后的超分图像优于大部分的传统超分图像的模型。