图像空间分辨率是指传感器观察或测量最小物体的能力,这取决于像素的大小。作为二维信号记录,高分辨率的数字图像一直是医疗、遥感、军事等领域所需要的。但是,在实际应用中,为了保证成像设备的长期稳定运行,以及为动态场景提供合适的帧率,往往会在一定程度上牺牲分辨率。因此,分辨率的提高是十分必要的。受限于当前成像设备的技术水平和成本,人们不得不借助超分辨率重建方法来提高图像分辨率。近年来,基于残差学习的超分辨率重建算法取得了巨大的突破,已经成了目前最流行的图像重建算法之一。但是,现有的残差结构在提高重建效果的同时,会引入巨大的参数量,使得基于残差学习的重建算法在实际中难以应用。针对现有基于残差学习的超分辨率重建算法所存在的参数量庞大的问题,本文提出了一种基于多分支残差结构的单图像超分辨率重建算法。该算法在基于残差学习的超分辨率重建算法的基础上,引入了多分支架构对残差结构存在的参数量问题进行改善和消除。然后,根据多分支架构的特点,本文对残差模块进行了重新设计,将超分辨率重建算法中常用的两层卷积层改为三层。为了进一步保证算法重建图像质量,本文引入了增强型深度超分辨率网络(EDSR)的优化思想,去除了批归一化层。同时,根据算法的结构特性,去除了常数缩放层。最后,本文设计并实现了两种基于多分支残差结构的重建模型,这两种模型在重建质量和模型参数量上各具优势。为了测试基于多分支残差结构的重建模型的性能,本文在Set5、Set14、BSD100以及DIV2K等高清数据集上进行了对比实验。实验结果表明,在具有相当的图像重建质量的情况下,本文所设计的模型具有更小的模型参数量,更快的训练速度和运行速度,这表明本文提出的算法能够有效地解决现有残差结构存在的参数量问题,降低算法对硬件资源的需求,具有实际应用的潜力。