图像超分辨率重建(SR)是图像处理领域当中的一个重要分支,其研究与发展有着广泛的应用价值.超分辨率重建根据输入图像的数量可以分为单帧图像超分辨率重建(SISR)和多帧图像超分辨率重建(MISR)两个方向,本文主要研究基于稀疏表示和深度学习的SISR算法.基于稀疏表示的图像超分辨率重建方法是传统方法的代表,已经有相当多的论文对其改进,但仍具有一定的提升空间.深度学习是随着计算机硬件计算能力的提升而发展起来的方法,在超分辨率重建领域的应用效果十分出众,一些算法已经达到了很高的水准.我们尝试对其中一些算法进行改进以提高重建效果,同时尝试减小网络的容量以适应移动设备中的应用.本学位论文基于稀疏表示理论和深度学习理论,进行了三个研究工作:基于串联卷积稀疏编码、邻域回归和自样例的超分辨率重建、基于空洞卷积深度神经网络的超分辨率重建和基于MobileNet的轻量级网络的超分辨率重建.具体内容如下:1.近几年,已经有一些列基于串联方法的单图像超分辨率重建算法被提出.然而现有的方法只是尝试串联单一的一种方法,一层一层地提高超分辨率表现,这样只能用到单一方法的优点.为了能综合利用不同方法的优点,我们提出了一个新的串联不同传统方法的单图像超分辨率串联算法(DMC),加入自样例层以后得到它的增强版本(DMCself).第一层使用了直接将整张低分辨率(LR)图像作为输入的卷积稀疏编码方法.第二层采用了调整后的固定邻域回归方法(A+)逐补丁地重建低分辨率图像,并通过对重叠区域取平均来构成整个超分辨率图像.最后一层采用自样例层,用以利用内部和外部统计信息.对比实验显示通过不同的方法确实能比单一方法有更多的提升.2.不久前,人们采用了20层的卷积网络作为基本框架,使用非常深的卷积网络较好地重建了高分辨率(HR)图像.为了能在滤波器参数保持不变的情形下扩大感受野,本文在该网络中引入空洞卷积方法.首先,我们分析不同膨胀系数组合的空洞卷积块的感受野,并选择了一种感受野无缝隙的结构作为空洞卷积块.然后,堆叠这些卷积块构成深度卷积网络.最后,使用多种训练技巧对网络进行重新训练.实验结果表明,对于数据集“Set5”上比较大的扩大因子,使用所构建网络可使重建效果提升0.1～0.2dB,视觉上也有明显优势.此外,为了使网络更好地收敛,我们在网络中加入残差连接,进一步提升了重建效果.3.为了适应移动、车载设备的应用,网络模型小型化也越来越受人们的重视.我们在高效的亚像素卷积网络(ESPCN)的基础之上进行改进,尝试在图像超分辨率重建中引入MobileNet网络结构.通过将标准的卷积网络分解为深度卷积和逐点卷积操作,该网络将参数数量和计算量缩减为原来的1/4左右.结果显示除了在扩大因子为×2的情况下重建效果有所下降,在其他的尺度上都取得了更好的效果.我们还尝试了使用MobileNet v2网络结构对网络进行改进,在参数数量和计算量增加不多的情况下效果进一步得到提升,重建效果超过所有对比方法.在数据集“Set5”中扩大因子为×4的情况下,能够将PSNR提升0.23dB.另外,通过对比试验说明使用平均绝对值误差(MAE)作为损失函数相比于均方误差(MSE)在该网络中能得到更好的效果.所构建的两个网络不仅在定性指标上面有更好的效果,而且在视觉效果上也具一定优势.