受硬件设备和传输介质等物理条件的影响,最终呈现在终端等显示设备上的图像分辨率仍然无法满足人们的需求,特别是对于图像细节要求较高的军事及医疗等领域。基于深度学习的发展以及所获取到的大规模数据,研究人员已经将深度学习应用到超分辨率重构中。通过线下端到端的训练方式,利用已知的低分辨率图像重构出对应的高分辨率图像。后续研究表明可动态调节感受野的卷积网络具有更好的特征传递与表达能力,然而,目前大部分的超分辨率网络仅利用固定感受野的卷积结构,导致重构出的图像结构平滑不够清晰,或者产生伪影而不够真实。为了解决以上问题,本文基于深度学习,重点解决了图像超分辨率重构方面的问题,提出了两种图像超分辨率重构算法:(1)基于多路动态核选择卷积网络的超分辨率算法(Multi-path Selective Kernel Super-Resolution,MSKSR)。以往的超分辨率算法中固定大小的卷积核限制了感受野获取信息的能力,使重构出的图像无法获取捕捉不同尺度的上下文信息而过于平滑。MSKSR通过Merge-and-Run多路结构自适应地调节卷积核大小以获得多尺度的上下文信息,强调了关键信息的同时压缩噪声信息;最终结合丰富的感受野使重构图像具有更精细的纹理结构。(2)基于Octave卷积的超分辨率算法(Octave Super-Resolution,OctSR)。由于自然图像中的信息传递具有不同频率,因此卷积层输出的特征图可类比为不同频率下的信息融合。OctSR利用Octave卷积对特征进行分离再融合,分离过程中对变换较为平缓的低频特征分量进行空间降采样。因此,OctSR在保证卷积的同时更能变相地增大感受野,并且完整保留的高频信息恰好可以恢复图像的精细细节。实验结果表明该算法不仅能恢复出具有高质量的图像,更节省了空间和计算成本。最终的结果表明提出的两种分别针对网络结构和卷积层的图像超分辨率算法能够充分利用特征信息进行图像重构,恢复的图像纹理细节更加清晰,且模型易于收敛,具有良好的性能。在DIV2K上的实验效果表明,MSKSR具有更高的PSNR和SSIM指标,提高了图像清晰度;OctSR能保证模型性能的同时,降低约8.7%的浮点计算量,为Octave卷积在超分领域的运用提供了借鉴。