现如今图像识别、图像跟踪等问题已成为图像处理领域重要的研究方向,但是现有的研究方案均围绕清晰图像展开。待识别、跟踪的图像为低分辨率模糊图像时,现有的识别算法均难以有效实施高质量目标检测工作。低分辨率模糊图像因其在成像过程中受到相机抖动或者目标物体移动等因素的影响,无法获知图像中模糊核信息,难以采用现有方式实施超分辨率图像重建工作。若采用针对清晰图像的超分辨率重建算法来解决低分辨模糊图像的超分辨率重建工作,重建结果将会出现明显的伪影噪声和轮廓纹理不清晰问题,这将严重影响目标检测任务的识别精度。因此,低分辨率模糊图像的超分辨率重建工作具有重要的研究意义。区别于非盲模糊图像的超分辨率重建工作,本文工作重心在于研究低分辨率盲模糊图像的超分辨率重建工作,该研究的主要难点在于难以获知真实模糊图像中的模糊信息。目前已存解决本文研究问题的算法均无法生成轮廓清晰、细节显著的图像,基于此,本文采用深度学习技术有效实现模糊图像的超分辨率重建工作。本文工作的创新点如下所示:（1）本文提出双分支融合的反馈迭代金字塔网络,实现低分辨率模糊图像的超分辨率重建工作。该算法分别使用自编解码去模糊模块和深度特征迭代注意机制模块提取模糊图像中潜在特征信息,包括去模糊特征信息和具有注意机制的超分辨特征信息;接着采用特征融合模块实施特征信息的匹配工作;最后采用循环迭代金字塔重建模块将模糊的降质图像重建为原始尺寸四倍的超分辨率图像。实验评估结果表明:使用本文算法实现的超分辨率重建图像,比现存算法重建图像包含更加细致的纹理信息、更加显著的轮廓特征。（2）本文提出迭代投影反馈的联合去模糊与超分辨率优化算法,进一步提升了重建图像的视觉效果与评价指标。该算法针对重建图像中存在少量伪影噪声的问题实施优化,提出通道调节与多尺度特征融合机制优化超分辨特征提取分支;此外还提出映射关联特征模块匹配非局部特征信息,实现特征融合模块的优化工作;为减少运算资源的消耗、提升算法测试速度,精简了重建模块的网络结构,并且将去模糊模块的预测值传递至重建模块,解决网络训练不收敛问题。