传统的插值放大方法由于像素间的连续性不强,容易造成放大图像边缘锯齿状和图像块状区域的缺陷。近年来,偏微分方程在图像处理领域理论和实际应用推进和发展,越来越多的研究者将偏微分方程应用对图像的处理中,深度学习技术在图像中的应用也逐渐广泛。在本文中,将偏微分方程和深度学习作为图像处理的工具,将图像分解和图像扩散引入到图像放大中,分别研究了基于偏微分方程的图像分解模型、图像扩散模型和卷积神经网络,提出了基于图像分解的放大方法,基于融合多尺度特征信息的CNN图像放大方法,本文的主要工作如下:1.结合图像分解模型和偏微分扩散模型,提出了一种基于图像分解的偏微分方程图像放大方法,按照图像分解理论,将图像分解为卡通部分和纹理部分,针对这两部分的不同组成分别采用二阶各向同性和各向异性的扩散模型,同时为了提高放大效果,将四阶各向异性偏微分方程跟二阶扩散模型进行耦合作为扩散模型。经过仿真实验验证,本文提出的方法能够较好地保持图像边缘和图像清晰度,客观评价标准也验证了本文方法的有效性。2.结合卷积神经网络和特征金字塔结构,融合图像低层特征和高层特征信息,提出了基于融合多尺度特征信息的CNN图像放大算法,经过实验验证了改进方法的有效性。