图像超分辨率重建(Super Resolution,SR)作为图像复原领域内的一个重要分支,被广泛应用于卫星遥感成像、公共监控视频识别、军事探测、生物医学影像、多媒体视频图像等研究领域,具有一定的应用前景和实际意义。图像超分辨率重建技术是指利用数字信号处理方法,将已获取的一幅或者多幅同一场景的低分辨率观测图像经过软件方法进行处理重建出一幅高分辨率图像。近年来,深度学习凭借其强大的学习能力和高效的特征表达能力,成为机器学习中最受研究者追捧的研究领域。从低分辨率特征到高分辨率特征,逐层提取图像细节信息,同时深度学习的提出也为图像超分辨率重建问题带来了新思路,摒弃了传统方法中手动提取图像特征的方法,这使得深度学习模型在图像超分辨率重建方面表现出突出优势。本文受深度学习模型的启发,采用基于深层残差网络模型,通过使用多级捷径连接,实现图像的超分辨率重建。本文根据目前的研究现状,主要进行了以下工作:1.总结目前图像超分辨率重建的研究背景和国内外研究现状,对现有的超分算法进行分类和总结,分析了图像SR领域内常见的算法,接着阐述图像SR重建技术的相关理论基础和算法评估方法。2.深入探讨卷积神经网络的理论与结构模型,介绍了基于卷积神经网络的图像超分辨率重建算法,指出其研究成果,为后续研究奠定基础。阐述目前较为流行的深度残差网络模型,随后分析了残差学习在图像超分辨率重建中的应用,证明该模型优于传统的超分辨率重建算法。3.为了改善低分辨率图像的视觉效果,增加图像细节信息,本文结合现在比较流行的深度残差学习方法,研究一种新颖的残差网络结构——深层多级残差网络。在残差网络中,使用捷径连接时,信号可以从—个单元直接传播到其他单元。本文在原有的残差网络结构上再加上多级捷径链接,挖掘残差网络的优化能力。针对不同的测试集,深度多级残差网络模型取得了更佳的超分辨率结果,不管是在主观视觉上还是在客观评价指标上均有明显改善,图像清晰度和边缘锐度明显提高。实验结果证明深度多级残差网络的收敛速度更快,重建质量更好。