近几年,由于信息科技的快速发展,人们对信号与信息处理的要求也越来越高,而图像处理又是信息处理的重要环节。通常图像信息需要通过降低分辨率来节省带宽,但这样处理后的图像并不能满足人们的实际需求。因此图像超分辨率重建(Super-Resolution,SR)技术就显得尤为重要,其原理就是对低分辨率(Low-Resolution,LR)图像通过信息处理的技术得到一幅高分辨率(High-Resolution,HR)图像。而卷积神经网络(Convolutional Neural Network,CNN)在图像超分辨率重建中是目前应用最为广泛的方法。最初的基于卷积神经网络的模型都是通过增加神经网络深度来取得更好的图像重建效果,但盲目的增加网络层数,会造成梯度爆炸,明显提高运算复杂度,增加网络的训练难度,并丢失图像细节。但随着残差学习的广泛应用,图像超分辨率重建不仅在重建质量上有所提高,在计算量方面也有了明显的改善。在这样的背景下,本文综合分析了现有图像超分辨率重建算法的一些优缺点,并且为了改善图像重建效果并减少计算量,降低网络的训练难度,论文进行了相关的研究工作。首先本文采用了一种结合全局和局部残差学习的图像超分辨率重建算法(GLRL),这种算法能够更好的学习图像的细节。采用堆叠的局部残差块(Local Residual Block,LRB)结构进行非线性映射,可以有效地克服图像的退化问题,由于在低分辨率图像与经过神经网络处理后的高分辨率图像之间信息高度相关,我们可以采用全局残差学习(Global Residual Learning,GRL)的方法将大部分的低分辨率信息用于高分辨率图像的重建。在前述方法的基础上,本文进一步采用了一种更快速的全局和局部残差学习相结合的图像超分辨率重建算法(FGLRL),主要目的是在几乎不影响重建效果的前提下进一步减小计算量,降低网络的训练难度。其原理是直接将低分辨率小图像送入到神经网络中,对其进行训练,而不将其进行放大处理,原因在于模型的计算复杂度会随着空间尺寸的增长而增长;提取特征后使用11′大小的卷积核来进行维度压缩,并在非线性映射后扩展维度,可以进一步减少模型的计算量;最后使用反卷积来进行上采样,将图片放大到所需大小。本文介绍了两种基于残差学习的图像超分辨率重建算法,实验表明利用堆叠的局部残差块和全局残差学习能够有效改善网络的重建效果,而使用压缩扩展维度和反卷积能够进一步有效降低计算复杂度。