图像分辨率主要取决于采集图像的硬件设备性能,但提升硬件性能复杂且难度大、成本高。后来,图像超分辨率重建算法引起图像工程研究者重视,利用算法对单帧或序列低分辨率图像进行重建成为图像处理的一个研究热点。近年来,基于生成对抗网络的图像超分辨率方法确实改善了传统方法的不足,但重建结果的客观评价没有得到提升,甚至低于传统方法;由于生成对抗网络训练困难,不能通过相应的损失函数值判断训练进程,怎么使生成器和判别器的训练平衡稳定,改善重建目标是当前要解决的问题。本文以生成对抗网络下超分辨率的重建为研究目标,主要做了以下工作:1.从理论上分析超分辨率重建方法,重点研究生成对抗网络在超分辨率重建中的具体实现,针对生成对抗网络当前存在的问题,进一步研究其网络结构、损失函数等,提出改进方法,设置多种方法实验对比并分析;2.基于深度卷积生成对抗网络的基础提出改进方法,结合残差密集块,改进网络结构,进一步加强卷积神经网络提取图像特征的优势,多层融合深层网络间的信息流动,实现分层特征复用,通过转置卷积放大4倍恢复得到的高分辨率图像。仿真实验表明,该方法重建图像的PSNR(Peak Signal to Noise Ratio)和SSIM(Structural SIMilarity)在SRGAN(Super-Resolution Generative Adver sarial Network,GAN)基础上分别提高了0.91d B和0.043;3.结合WGAN(Wasserstein Generative Adversarial Network)中提出的Wa sserstein距离,引入到SRGAN模型提出改进的重建方法,可由唯一的loss判断训练进程,并结合优化残差块进行残差学习,替换部分激活函数为selu(scaled exponential linear units,可缩放指数型线性单元),改善网络训练性能,加快收敛。仿真实验表明,该方法重建图像的PSNR和SSIM在SRGAN基础上分别提高了1.414d B和0.055。