图像超分辨率重构是指是根据输入的一幅或者多幅低分辨率图像来重构高分辨率图像。高分辨率图像通常包含更加丰富的信息,在满足人类对视觉效果需求的同时,也为图像处理中其他研究方向提供了良好的研究基础。但由于图像退化模型较为复杂,图像超分辨率重构问题通常是一个不适定问题。卷积神经网络具有拟合任意复杂函数的能力,能够在一定程度上解决图像超分辨率重构的不适定问题。但是其重构结果与目标高分辨率图像之间仍然存在残差,这种残差通常为高频信息。为了补偿残差以提高图像超分辨率重构效果,本文提出了一种基于卷积神经网络和残差字典学习的图像超分辨率重构算法,在保留结构化信息的同时,弥补高、低分辨率图像之间的高频信息损失。首先,在超分辨率卷积神经网络的基础上,通过对网络层数、卷积核尺寸以及卷积核数量进行改进,使得卷积神经网络中可训练参数增加,可以更好拟合图像超分辨率重构模型。并在激励函数的选取上进行改进,使用PReLU代替ReLU,增加了其非线性映射能力。其次,使用改进后的网络在训练集中学习得到一个端到端的图像超分辨率重构模型。再次,根据重构的高分辨率图像与目标高分辨率图像之间的残差为高频信息的情况,选取对高频信息敏感的字典学习方法,对目标高分辨图像与超分辨率卷积神经网络输出图像之间的残差进行学习得到残差字典。最后,利用残差字典对重构图像中缺失的高频信息进行补偿,从而获得超分辨率重构效果更好的高分辨率图像。通过对比实验,将本文算法在主观、客观图像质量评价以及时间效率上同其他主流算法进行对比分析。实验结果表明,本文算法在主观图像质量评价上比其他对比算法的重构效果更好。在主观质量评价上重构图像更加清晰,并且较好地恢复了细节信息,在客观质量评价上提高了重构图像的峰值信噪比和结构相似性,但时间效率略有降低。因此,改进的超分辨率卷积神经网络可以学习到有效的高、低分辨率图像之间的映射关系,利用残差字典学习的优化方法能补偿超分辨率卷积神经网络中未能恢复的高频信息。该论文有图14幅,表8个,参考文献52篇。