随着信息化和数字化的快速发展,人们对信息传播质量的要求日益提高,作为传播最为广泛的媒体之一,数字图像的成像质量也成为了各行各业关注的焦点。然而,成像硬件、成像环境以及传输技术等条件的限制往往会降低图像的分辨率,导致图像信息的丢失。因此,如何将低分辨率图像通过算法重建为高分辨率图像始终是图像处理以及计算机视觉领域的一个热门研究方向。近几年利用深度学习算法进行图像超分辨率重建的研究逐渐增多,同时也取得了一些成果。本文开展了基于深度学习的图像超分辨率重建算法研究,主要研究内容包括:（1）提出了基于感受野融合和通道信息融合的图像超分辨率重建算法RCFSR,Receptive Field and Channel Information Fusion Super-Resolution Network)。利用多尺度卷积层代替一般超分重建网络中的单尺度卷积层,构建感受野融合单元,提高网络对输入图像中信息分布密度差异的适应性,提升网络的鲁棒性以及对感受野的自适应能力;利用压缩激励机制构建通道信息融合单元,充分利用图像通道信息,提高网络重建准确率,缓解空间特征提取的压力,提升网络重建效率;利用残差学习的方法,构建感受野与通道信息融合块（RCFB,Receptive Field and Channel Information Fusion Block）以及感受野与通道信息融合组（RCFG,Receptive Field and Channel Information Fusion Group）,在加深网络深度的同时缓解梯度消失问题,并通过实验确定网络深度;利用缩放卷积代替反卷积对图像进行上采样处理,解决了现有超分网络中反卷积法带来的棋盘效应问题,提高成像清晰度,降低图像颗粒感。（2）提出了基于自标准化指数型线性单元（SELU,Self-Normalizing Exponential Linear Unit）以及权重标准化（WN,Weight Normalizing）策略的图像超分辨率重建算法。利用SELU代替一般超分网络中的修正线性单元（Re LU,Rectified Linear Unit）,解决Re LU函数负半轴置“0”带来的神经元失活问题,同时为函数添加饱和区缓解梯度消失以及数值爆炸等问题;利用WN策略代替一般超分网络中的批量标准化（BN,Batch Normalization）策略,配合SELU函数控制网络计算带来的数据分布变化,解决了数据分布偏移（Internal Covariate Shift）问题,使网络训练更加稳定,同时加快网络收敛速度。（3）针对已提出的模型算法进行轻量化处理。深度学习优越的性能很大程度是依赖于深度网络庞大的参数量,但是同时也带来计算资源需求大、计算时间长、模型内存占用过多等问题。为了解决上述问题,对网络进行小卷积核叠加替换大卷积核的轻量化处理,在保留相同感受野以及不影响网络重建质量的同时,降低网络参数量,提高网络计算效率,提升算法的可移植性以及实时处理能力。