伴随着科技的发展和人们物质生活水平不断提高,人们对于图像的空间分辨率要求越来越高。但是,受限于成像设备的硬件性能和数据传输带宽,往往只能获取到低分辨率的图像,无法满足需求。因此,利用超分辨率重建技术提高图像空间分辨率,具有重要的研究意义和实际应用价值。从数学的角度思考,超分辨率重建问题是一个不适定问题。本文针对经典FSRCNN重建算法的不足之处,分别从图像特征提取和网络结构的角度出发对算法进行优化,提出了一种结合局部结构自相似特征和编码器-解码器结构的深度学习超分辨率重建算法。本文创新性工作主要包括以下两个部分:1.基于空时转换的卷积神经网络单帧图像超分辨率重建算法研究。针对经典的FSRCNN重建算法仅仅考虑到图像中相邻像素的相似性,没有充分挖掘图像的结构性信息。本算法首先利用特征提取算子,分别以灰度特征、结构特征和哈希特征为切入点,在低分辨率图像中挖掘图像局部结构相似性信息,并据此构造出具有相似结构的图像组来模拟时间序列图像组。然后,受启发于序列图像超分辨率重建算法的基本思想,提出了一种基于空时转换的卷积网络图像超分辨率重建算法。该算法利用深度卷积网络融合图像的局部结构自相似性信息,完成超分辨率重建。2.基于编码器-解码器结构的超分辨率重建算法研究。在传统的基于深度学习的单帧图像超分辨率重建算法中,由于特征图的空间分辨率固定,限制了特征图的感受野,抑制了网络对于多尺度信息的学习能力和特征表达能力。针对此问题,本文在上述特征优化算法的基础上,通过对超分辨率重建网络进行细致分解,提出了一种基于编码器-解码器结构的深度学习超分辨率重建算法框架。本算法首先通过编码器网络中的抽样卷积,解决了特征图空间分辨率的限制,提高了特征图的感受野,使得网络模型可以在多个尺度空间进行特征提取,充分挖掘图像数据中的内部特性。然后,通过解码器网络引入逐级超分辨重建,并利用反馈上采样模块优化特征图分辨率提升的过程。最后,通过旁路连接的方式,重复利用网络中的浅层特征,避免了信息的损失,解决了网络深度受限于超分辨率重建因子的问题。实验结果表明,在相同的数据集和训练参数下,相比较于FSRCNN算法,本文提出的结合局部结构自相似特征和编码器-解码器结构的深度学习超分辨率重建算法可以重构出更细致的纹理。针对2、3、4、8的重建因子,PSNR平均可以提升0.85dB。