图像作为信息的主要传播媒介,在很多领域中发挥着至关重要的作用,人们对于高质量图像的需求越来越迫切。超分辨率重建技术能够突破硬件设备的限制,利用一系列的算法由低分辨图像重建出分辨率更高、纹理细节更丰富、更清晰的高质量图像。随着深度学习的快速发展,卷积神经网络在超分辨重建算法中得到了广泛应用,并取得了很好的效果。因此本文将重点研究并改进基于卷积神经网络的图像超分辨重建算法。在介绍经典的基于深度递归卷积网络的超分辨重建算法的基础上,针对深度网络模型训练难度大的问题,本文改进了一种基于递归残差网络的超分辨重建算法。该算法的具体做法是在递归网络模型中同时使用全局残差学习和局部残差学习两种策略。全局残差学习是对整个网络输入与输出图像之间的残差函数进行估计,而局部残差学习则是估计中间卷积层输入与输出图像之间的残差函数,保留了大量图像的细节特征,有助于恢复高频纹理信息。同时使用了包含残差单元的递归块结构,利用递归操作增加网络深度而不添加参数数量,使得网络模型的训练难度显著降低,加快了网络模型的重建速度,有效改善了重建图像的主观视觉效果并提高了客观评价指标。本文对生成对抗网络的模型结构以及感知损失函数进行了详细研究,分析总结网络中所存在的不足之处,分别对生成网络中的残差块结构、判别网络的判别方法以及感知损失函数的位置进行了相应改进。然后利用大型数据集ImageNet对已有的优秀网络进行预训练,采用迁移学习将最优参数迁移到改进后的生成对抗网络中。实验表明,该算法有效地去除了伪影现象,得到了在主观视觉上更清晰、更逼真的重建图像。