图像修复是将图像退化的过程加以估计,并补偿退化过程造成的失真,以便获得未经干扰和退化的原始图像的一种方法。有很多因素会导致图像的退化降质,比如成像过程中的各种模糊、噪声、摩尔纹、雾、雨等等。由于成本和技术工艺的限制,依靠提高成像设备的精度不断提升成像质量几乎是不可能的,那么利用软件技术来实现图像修复就变得尤为重要。超分辨率重建作为图像修复的主要工具,可以应对多种退化模式,提升退化图像主观效果和客观指标。在医学领域、刑事侦查、高清转播、无人驾驶等方面有广泛的应用。现有的基于深度学习的方法与传统方法相比已经取得了可喜的成果,但在复杂场景的重构过程中由于深层卷积无法很好的平衡低频内容和高频细节,因此在主观和客观效果上仍有提升空间。为了解决这一问题,本文提出了一种基于V-变换的与卷积相结合的图像超分辨率模型。新的模型主要由V-变换模块、特征融合和上采样模块三部分组成。在V-变换模块中,为了更好地完成初级特征提取的任务,本文改变了以往将模型channel直接升至64的做法,利用V-变换作为过渡,让模型channel缓慢上升,将空域和频域信息并行,为后续的深层卷积神经网络提供更丰富的信息;同时,将V-变换引入到超分辨率任务中,利用V-系统处理复杂信号的能力,以及小波变换的良好特性获取更加丰富的频域信息,也减轻网络学习低频信息的压力;最后,我们设计了一个主要针对频域信息的损失函数,进一步促进模型的效果,激发V-变换能力,提升模型表达能力,同时也使得深层卷积网络的训练更加稳定。在四个标准数据集上的测试实验表明,我们提出的基于V-变换的与卷积相结合的图像超分辨率模型在所有尺度上可以取得比大多数方法更好的结果。而且我们提出的三个创新点对超分辨率任务在不同程度上都有积极作用。