单一图像超分辨率算法指对低分辨率图像进行超分辨率处理,重建出具有放大因子倍数大小的分辨率图片的技术。近年来生成式对抗网络被引入到单一图像超分辨率任务中,该类算法能够重建出令人印象深刻的符合人眼视觉感官的清晰图片。SRGAN算法是该类算法中具有开创性意义的工作,然而该类算法的重建图片可能会产生伪影,细节部分模糊,与参考图片的感知相似程度较低等问题。为改善上述问题,本文通过对SRGAN算法的深入研究,对算法提出了具体的改进方法,得到了一种新的基于生成式对抗网络的单一图像超分辨率算法。由于重建图片与参考图片间的感知相似程度越相近,代表二者间的人眼感知效果越接近。因此,本文主要通过LPIPS指标来衡量重建图片与参考图片的感知相似程度。本文通过改进SRGAN算法生成器的网络结构来提升重建图片的质量。改进网络结构的方法包括:删除批量归一化层、改进输出卷积层、增加长距离跳跃连接、改进生成器网络的残差结构等,最终得到“3×5”模型。实验结果验证,在放大因子为4倍的情况下,使用本文“3×5”模型对PIRM测试集图片进行重建,对应LPIPS指标由0.1713降至0.1479,降低了13.66%,重建图片的质量得到提高。本文对“3×5”模型的损失函数进行进一步改进。在对抗训练阶段使用标准生成式对抗网络框架,结合改进的高频特征损失函数、增加特征判别损失函数进行训练,得到了本文的“Ours”模型。实验结果验证,在放大因子为4倍的情况下,使用本文“Ours”模型对PIRM测试集图片进行重建,对应LPIPS指标由0.1479降至0.1458,进一步降低了1.42%。提高了重建图片与参考图片间的感知相似度。本文利用滤除无用高频噪声,加强低频特征的思想对非锐化掩蔽法进行改进,得到一种针对单一图像超分辨率任务的图像处理方法——改进的非锐化掩蔽法,使用该方法可以改善重建图片的失真度与感知度。针对本文“Ours”模型,使用三次改进的非锐化掩蔽法可使PIRM测试集下重建图片的LPIPS指标由0.1458降至0.1438。本文为改进后的算法提出了具体的应用环境,包括网络插值策略,低分辨率人脸识别、目标检测的应用。为了良好的人机交互性本文进行了相关软件界面应用的编写。