图像是一种很普及的信息载体,有广泛的应用领域。从分辨率来说,图像有高分辨率图像和低分辨率图像,高分辨率图像意味着图像包含更多的像素,承载着更多的信息,往往比低分辨率图像有更高的使用价值。于是学者从多方面进行研究来提高图像的分辨率。图像超分辨率技术作为软件方面的研究成果,有着重要的研究意义。随着技术的发展超分辨率技术有更高的发展前景。本文针对单幅图像超分辨率技术进行研究,运用深度学习的相关知识,通过建立网络模型结构实现单幅低分辨率图像生成对应的高分辨率图像。在图像超分辨率的研究中为了提高生成图像质量,展现更清晰的细节纹理,文中方法基于深度学习中的生成式对抗网络实现。主要的研究内容包括三个方面,一是对于生成网络结构的搭建,为了提高生成网络的生成图像质量,对生成网络模型结构进行改进,使用不同大小卷积核对特征进行提取,修改残差网络模型结构,删除批量归一化层,通过加深网络层次结构提高网络结构的特征提取能力。二建立双鉴别网络结构,两个鉴别网络分别用于真假图像的鉴别和内容损失鉴别。三为了更好的优化网络结构、减少数据的误差损失和提高网络的生成和鉴别能力,文中定义多项损失函数判断网络中的损失情况,然后通过优化方法进行模型的优化实验;最后通过多种方法对实验结果进行分析。文中方法主要与Bicubic和SRGAN方法进行比较,并用峰值信噪比(PSNR)和结构相识性(SSIM)对实验结果进行客观评价。实验结果表明该方法生成的高分辨率图像在清晰度和纹理上有较好的展现。