图像的分辨率是衡量一幅图像质量优劣的重要指标。相比低分辨率图像,高分辨率图像在医学、遥感、安防等诸多领域有着更为广泛的应用需求。但是,受到硬件条件的限制,很多成像设备只能输出低分辨率的图像。如何在软件层面突破硬件设施导致的成像极限来增强图像分辨率具有重要的研究意义,而图像超分辨率重建即是这样一种可以由低分辨率图像超分得到高分辨率图像的技术方法。现有基于深度学习的图像超分辨率重建方法相较之前传统算法,不论是在算法性能还是重建结果都有大幅度的提升增强。本文在深度学习的基础上,解析由高分辨率原始图像到低分辨率观测图像的图像降质模型,运用深度学习思想构建多功能子网络模型,对低分辨率图像含有的噪声问题与高分辨率重建问题展开深入研究。本文的主要研究成果如下:1.针对低分辨率图像含有的噪声或者图像在低分辨率到高分辨率上采样过程产生的噪声问题,本文提出了一种基于增强编解码网络的图像去噪复原算法。该算法将多个增强编解码单元通过稠密连接的形式组成一个增强编解码去噪神经网络,利用多个增强编解码单元循环往复对输入的带噪图像进行噪声消解,最终得到满意的干净图像。在通用噪声数据集上进行测试对比实验,结果证明,本文提出算法的图像去噪效果明显优于其他去噪复原算法。2.针对现有基于卷积神经网络的图像超分辨率重建方法在重建过程中关注点单一,易忽视复杂环境对图像成像的影响。本文提出了一种基于多功能子网络的图像超分辨率重建算法。该算法首先构建功能子网络,一个子网络为深度卷积网络结构,另一个为上文提出的增强编解码网络的简化结构。赋予两个子网络结构不同的功能:图像纹理细节与结构信息的刻画、图像噪声的降解,二者独立且同步运行。然后将两个功能子网络提取到的特征进行联结融合,得到高层次抽象图像特征。最后结合图像高层抽象特征和图像初始特征重建出高分辨率图像。功能子网络重建的高分辨率图像不仅具有更加清晰的纹理细节而且具有更高的客观评价指标值。实验结果表明,本文提出算法不论是在客观评价指标还是主观视觉效果均优于现有的图像超分辨率重建算法。