图像作为一种媒介,是人类认识、把握和表征世界的工具,是当今社会最有效的传播媒体。然而在图像获取过程中,会因为外界因素的干扰,对图像造成或多或少的影响。这些影响往往会造成得到的图像不能满足人们的要求,对人们的生活和工作造成了阻碍。为了解决这一问题,相关研究人员在提升图像质量方面投入了很多精力。基于深度学习的图像超分辨率重建是目前在图像质量重建方面研究的一个热门方向。但是目前深度学习重建算法还不能很好地满足实时性和高效性。为了解决这一问题,本文对图像重建和深度学习的结合进行了深入的研究,主要工作内容如下:首先,对图像重建的国内外研究现状进行了综述,重点研究了基于重构以及基于学习的两类重建方法。并根据这两类方法的对比研究,总结出结合深度学习的超分辨率算法在目前图像重建领域的优越性。接着,提出一种基于多层残差卷积网络的图像超分辨率重建算法。该方法以多层卷积网络为基础,结合残差结构的特点来建立的。重建过程中在增加网络深度的同时,为了避免由过多参数带来的计算损耗,提出了使用1×1卷积核来降低卷积后数据维度的方法。该方法不仅加快了计算速度,而且还减少了信息的损失。在图像重建层加入了多尺度并行卷积的结构,来重建不同尺度的特征,更好地恢复图像细节信息。最后,为解决商标图像在识别水印信息时由于外界因素导致水印读取率较低的问题,本文提出了改进的水印图像重建模型。模型在深度学习图像重建基础上,根据重建水印图像的目的进行改进。训练时,输入图像和标签图像分别使用的是读取率较低的真实水印商标图像和相对应商标图像的电子版原件。并且网络中取消了像素值增大的步骤,因为在经过实验对比后发现,像素值增大的步骤会给水印图像增加更多的干扰信息。实验表明,本文提出基于多层残差卷积网络的重建模型无论在重建效果还是实时性方面都得到了提升。