图像作为一种生动地记载客观对象信息的载体,在人类社会中被广泛地使用。在信息爆炸的时代,人类越来越迫切地渴求高分辨率的图像。然而受限于硬件设备的高昂成本以及拍摄图像的不利环境因素,采集到的图像的分辨率往往达不到人们的预期效果。因此,如何通过更低廉更方便的软件技术提高图像的分辨率就显得尤为重要。图像超分辨率重建是指采用一系列算法从给定的低分辨率图像中重建出高分辨率图像的过程。近年由于计算机科技不断地发展壮大,深度学习算法在图像超分辨率重建领域实现了很好的重建效果。本文着眼于近年来的研究热点,针对基于卷积神经网络的图像超分辨率重建算法(SRCNN)存在的缺陷进行研究。对于低分辨率图像在预处理时使用双三次插值导致图像丢失一些重要的高频纹理细节以及网络模型优化问题,提出了连分式插值结合卷积神经网络的超分辨率重建方法。本文在原有的轻量级SRCNN网络模型的基础上,首先采用Newton-Thiele型连分式插值函数将低分辨率图像插值到目标尺寸;随后利用三个卷积层进行图像特征提取、非线性映射、重建与优化;同时文中在网络收敛时采用余弦衰减法逐渐降低学习率,并结合Radam优化算法自适应地调整学习率。实验结果表明本文设计的网络模型能够在轻量级的卷积神经网络下获得更丰富的纹理细节和更清晰的图像边缘。