随着科技的发展和进步,越来越多的设备拥有了获取图像信息的能力。然而由于工作场景、经济条件或设备硬件条件的限制,很多成像设备获取的图像分辨率不高,不能满足实际要求,给后续图像处理任务带来困难。采用图像处理方法从一序列或者单幅低分辨率图像中重构出高分辨率图像的过程叫图像超分辨率。目前基于深度学习的图像超分辨率算法获得很高的重建质量。然而训练一个深度学习模型不仅需要较长的时间而且要占用大量的计算资源,不利于实际应用。针对这个问题,本文研究了宽度神经网络的图像超分辨率算法。第一,提出了一种结合亚像素与宽度学习的图像超分辨率方法。该算法先将训练样本中的高分辨率图像采样成多个亚像素图像,然后用宽度学习系统建立低分辨率图像与亚像素图像之间的非线性映射关系。重建阶段,根据学习好的宽度网络得到低分辨率图像对应的亚像素图像,再将亚像素图像恢复成高分辨率图像。由于宽度学习系统是单层网络并采用最小二乘类算法训练,因此训练快速计算复杂性低。亚像素采样进一步降低了训练样本数据的维数,使得最小二乘类算法可以使用较少的内存就可以处理更大规模的训练集合。实验结果表明,所提方法重建出来的高分辨率图像不仅细节、纹理清晰,而且客观评价指标也令人满意。第二,借鉴宽度学习系统的思想,提出了一种宽度Elman神经网络。该网络在隐层增加节点个数,同时给出了网络训练的岭回归最小二乘算法。所提出的宽度Elman网络不仅非线性映射能力更强,而且克服了传统Elman网络训练慢并且容易陷入局部最优的问题。将宽度Elman用于Norb数据集的识别,准确性明显高于其他算法。最后,提出了一种基于宽度Elman网络的图像超分辨率算法。该算法采用宽度Elman网络建立低分辨率图像与高分辨率图像之间的映射关系。由于Elman网络是反馈型网络,能学习相邻图像块之间的关系。这有利于充分利用图像块之间的空间邻域信息。实验结果表明,该方法能得到高质量的重建结果。