近年来,深度神经网络通过增加模型的深度来提高特征提取和数据拟合的能力。与浅层模型相比,它在图像处理方面表现出了很大的优势,例如图像分类,图像识别,图像分割等,为图像超分辨率重建和黑白图像着色提供了新的途径,尤其是生成式对抗网络通过生成模型和判别模型对抗来达到对生成图片最大相似度的伪装,使得图像到图像间的生成和转换到达几乎无法分辨的地步。针对图像超分辨率重建和黑白图像着色研究,如何提高图像特征的利用率,减少计算复杂度,解决图像数量少充分发挥现有图像的优势等问题成为研究热点。现有模型重建质量较低,模型复杂度较高以及现有黑白图像着色精度较差等问题已成为亟待解决的问题。基于上述问题,本研究基于生成式网络结构,网络层的并行化以及与现有深度学习框架巧妙结合进行了研究,并通过实验对比了所提模型的优势,具体工作如下:（1）提出了一个基于WGAN和Res Ne Xt的单图像超分辨率重建模型Res＿W GAN。该模型通过Res Ne Xt网络构造生成器,降低了模型生成器的计算复杂度,仅为SRGAN的1/8;为解决SRGAN模型不稳定的问题,判别器采用WGAN网络;为了提高学习效率,将对Res Next的网络结构进行了剪枝,去掉了BN归一化操作;实验结果表明,在四个公开数据集上本研究所提模型相较于现有的单图像超分辨率重建模型在主客观评价中均取得了更加优越的性能。（2）为解决现有模型训练数据量大,耗时等问题,提出了一个基于Sin GAN的单图像超分辨率重建模型SR＿Sin GAN。就训练数据量而言,SR＿Sin GAN能只需要对一张图片进行训练就可以得到超分辨率图片;从重建效果来看,改进的SR＿Sin GAN模型相较于原始的Sin GAN网络,在保证训练数据量不增加的情况下,能更好的实现图像细节方面的重建。（3）为实现黑白图像着色,解决图像特征利用率低等问题,提出了基于Cycl e GAN的黑白图像着色模型SA＿Cycle GAN。从有无注意力方面对比可知,添加了注意力机制的SA＿Cycle GAN利用自注意力机制对卷积的特征进行了加权和处理,相较于不添加注意力机制的模型,PSNR和SSIM值均有提高,其次通过对比可知不同归一化方法的选择对网络的性能也有影响,最后通过与现有的一些模型的实验对比证明了SA＿Cycle GAN模型在还原图片的时候也尽可能大的接近原始图片,达到对灰度图像实现着色的目的。