随着科技的发展和信息的海量增加,在实际应用中对高分辨率图像的需求也在不断地增加,而空间分辨率作为评价图像质量的重要指标,如何有效地提升图像的分辨率,一直是学术界与产业界关注的热点问题。由于图像采集过程中会受到多种因素的干扰,包括光学物理器件、存储容量、传输带宽、成像环境等,使用算法和软件对图像进行超分辨率增强,是一种行之有效的途径。本文主要研究基于深度学习的图像超分辨率重建,完成了单幅图像与多幅图像的超分辨率重建算法研究,提升了图像生成质量,并结合所提改进算法,设计与实现了一个超分辨率重建系统。本文的主要工作如下:（1）针对单帧图像的超分辨率,提出了一种基于多尺度残差稠密块的单幅图像的超分辨重建网络。多尺度残差稠密模块的提出,主要解决了重建网络对特征信息利用不足、感受野较低、重建效果不佳等问题,主要作用是多尺度信息重用和局部信息融合。在超分辨率重建网络中引入多尺度残差稠密模块,增加对图像特征信息的利用,在降低重建模型复杂度的同时提升了重建图像的质量。在Set5、Set14、Urban100、BSD100和Manga109等公开数据集上的测试表明,相比于传统算法,本文所提算法取得了较好的重建效果。（2）针对多幅图像的超分辨率,提出了一种基于运动补偿的多幅图像的超分辨率重建网络。该算法借鉴了传统多帧图像重建的算法框架,将单帧图像超分辨率和空间配准模型相结合,并提出了改进的策略。在光流网络中引入多尺度残差稠密模块进一步提取网络特征,通过限制光流网络的范围,提升了网络收敛的速度。通过多种方式融合运动补偿后的帧图像,用以实现超分网络对图像的重建。在VID4数据集上进行了实验验证,所提算法能够生成更加清晰的高分辨率图像,利用峰值信噪比和结构相似度对重建后的高分辨率图像进行评价,结果表明该方法在图像超分辨率重建中能有效提高重建效果。（3）设计并实现了一个基于卷积神经网络的超分辨图像重建系统。该系统主要包括数据加载、网络训练和网络预测三个模块,实现了单幅、多幅图像的超分辨率网络的训练、测试和结果评价。