超分辨率作为计算机视觉领域的热门研究方向,受到了研究者们的广泛关注。超分辨率工作的目的是通过技术手段将原本分辨率较低的图像、视频等重构为高分辨率的图像、视频。超分辨率的重构方法在初期是采用传统的数学方法进行重构,随着深度学习方法的广泛应用,深度学习方法也被应用在超分辨率领域并取得了良好的重构效果。目前超分辨率工作主要利用单一模型对图像进行重构,而通过实验我们发现单一模型往往无法满足不同图像的重构需求,过浅的模型容易造成重构效果不佳,过深的模型则容易造成过拟合。同时,目前对于超分辨率工作主要的评价标准是重构效果,而对于包括重构效率在内的系统性指标缺乏重视,且训练集过大。为了解决上述问题,本文提出了多模型超分辨率训练重构优化框架,本文主要的创新有如下几个方面:1、本文设计实现了基于多模型的超分辨率训练重构框架。该框架可以对已有的超分辨率模型进行优化,大幅减少训练所需的训练集数据量,提升重构效率,同时显著提升训练效果。2、本文提出了一种针对超分辨率训练集的剪枝机制,对训练集进行剪枝,以减小训练集的数据量,通过对于参数调整还可以调节剪枝的力度。3、本文提出了基于随机森林的图像分类方法。将基于随机森林的图像分类方法应用在框架的分类层后取得了良好的分类效果。4、本文提出了一种图像融合机制,用以解决在简单模型中图像丢失一些细节的问题。实验证明融合算法提升了图像的效果。经过对不同模型的测试,我们的框架可以减少41.9%的训练集数据量。将平均的训练时间从2935分钟减少到2836分钟,平均提升65.7%的图像的重构效果,将平均的perceptual index从3.1607优化到3.0867,将平均的重构时间从101.7秒优化到66.7秒。