图像作为生活中信息传播的主要媒介,在生活中的很多领域中发挥着至关重要的作用。而图像超分辨率重建(Super-resolution,SR)就是通过低分辨率图像重建出清晰的高分辨率图像。随着深度学习的快速发展,卷积神经网络在超分辨重建算法中得到了广泛应用,并取得了很好的效果,而在实际生活中也有很多应用。因此本文将重点研究并改进基于深度学习的图像超分辨重建算法。目前在基于深度学习的超分辨率算法中,存在网络体量较大、训练难度大等问题,本文改进了一种基于残差密集网络的超分辨率算法,针对其训练模型特征冗余、参数量过大等缺点,在网络模型中应用特定方式的稀疏连接替换以往的密集连接,在一定程度上避免过多的特征冗余,并在此基础上分析网络模块中卷积层数与模块间的关系。去掉了基准模块中的局部特征融合,使得网络更好的提取高频信息。实验表明,改进后的算法与原网络算法在结果上相差无几,但网络模型的训练难度显著降低,加快了网络模型的重建速度,并且模型参数大大的降低,使得总体性能有了较大提升。针对当前基于GAN网络的超分辨率算法存在部分细节模糊、伪影严重等问题,本文分析了并改进了 SRGAN中的感知损失函数,说明了感知损失与均方误差损失对于生成图像质量的联系,通过融合基于VGG中的低频特征和高频特征的联合损失作为新的感知损失,并结合均方误差损失来对网络进行改进,实验结果表明,提出的算法能够取得更好的客观评价指标,并且图像的细节部分更为清晰,感知质量也有了明显的改善。