图像的分辨率反映了图像所包含的信息量。图像超分辨率算法以低分辨率图像作为输入,通过数字图像处理技术和机器学习技术,重建出高分辨率图像,具有广泛的应用场景。近年来,基于深度学习的超分辨率算法取得了重大进展,但依然存在一些不足。大多数算法忽视了自然图像内容的尺度多样性,另一方面,庞大的模型参数量制约了算法的实用性。本文针对这些问题,基于深度学习技术,对超分辨率算法进行研究。本文的主要工作如下:(1)提出了一种多尺度超分辨率卷积神经网络。超分辨率问题中图像内容具有尺度多样性,图像中不同元素的重构可能与不同大小的邻域相关。多尺度超分辨率卷积神经网络包含了多条不同的路径,对应于大小不同的感受野,在重构过程中有利于综合利用图像的多尺度特征。采用多尺度残差训练,不仅可以提高模型的利用效率,同时也增强了算法的泛化能力,加快收敛过程。在多个公开数据集上的实验结果表明,该算法能够以更快的速度实现更优质的重建效果。(2)基于双通路结构提出了一种高效的图像超分辨率重建算法。大多数超分辨率神经网络通过增加模型参数量实现重建效果的提升,这种方式影响了算法的实用性。通过从高阶循环神经网络的角度对深度残差网络和密集连接网络进行分析可知,深度残差网络有助于特征重用,降低冗余性,但却不利于网络从之前的特征中发掘新的信息。而密集连接网络则相反,它更容易发掘新信息,但特征却存在较大冗余。本文网络结合这两种连接方式,使算法既具有发掘新信息的能力,同时又可以保持较低的特征冗余,提高重建效率。通过一系列对比实验探究了网络关键因素对效果的影响,选定了合适的参数。与当前主流算法对比的实验结果表明,在参数量相当甚至更少的情况下,本文算法依然可以重建出质量更好的图像,以3倍超分辨率为例,本文算法的参数量仅有691K,在Set5、Set14、Urban100和B100四个公开数据集上的峰值信噪比(PSNR)分别达到了34.38dB、30.31 dB、29.07 dB和28.03 dB。本文的研究内容同时兼顾重建质量和效率,具有较高的应用价值。