图像超分辨率重构指的是将给定的低分辨率图像,通过特定的算法,增加高频细节信息,提升空间分辨率和清晰度,生成对应的高分辨率图像。目前,基于深度学习的图像超分辨率算法能够解决传统算法计算量大、鲁棒性差、边缘模糊、细节丢失、生成图像质量不高等问题,但是仍然存在网络训练不稳定、梯度消失等情况,而且对于色彩丰富、纹理复杂的图像超分时易产生细节模糊、失真的图像。针对上述问题,本文研究了卷积神经网络和生成对抗网络等深度学习方法在图像超分辨率领域中的应用,先提出基于残差稠密跳接网络的超分辨率重构模型,然后结合生成对抗网络,提出了一种新的基于生成对抗网络的图像超分辨率算法。主要工作有:(1)利用残差网络和稠密网络的特性,提出基于残差稠密跳接网络(Super-Resolution via Residual Dense connected network,SRRDCN)的超分辨率模型。该网络的残差稠密单元由多个残差稠密块级联而成,提取具有更丰富语义信息的高层次抽象特征;引入全局快捷连接,将浅层特征和深层特征融合在一起,从原始LR图像中获得全局密集特征。残差稠密块的局部快捷连接,融合局部低层特征和局部高层特征来增加信息的流动,进一步的提高网络的表达能力。实验结果表明,在四个测试集的三种放大因子上,SRRDCN算法相比当前一些常见算法所重构的图像视觉效果更加清晰,在客观评价指标上具有较大的提升。(2)结合残差稠密跳接网络和相对判别器架构的优点,依据生成对抗网络提出了一种新的基于生成对抗网络(Novel Super Resolution Generative AdversarialNetwork,NSRGAN)的图像超分辨率算法。该网络针对基于生成对抗网络的图像超分辨率重构算法能够生成逼真的纹理的同时易产生令人不快的伪影现象这一问题,对其网络结构进行了三个方面的改进。生成网络的改进为除掉批量归一化层,并结合残差稠密网络来提升网络的表达能力。在激活函数之前获取感知损失来优化感知损失,使重构图片与真实图片的明亮度相似。实验结果表明,该算法生成图像细节更加清晰、纹理更逼真、不会出现伪影现象。