视频图像识别和检索已在现实生活中被广泛使用。它为人类生活,工业生产,仓储,物流和身份验证带来了便利。它也促进了社会的快速发展,是一个巨大的有机体。但是,在某些特定条件下,由于技术和设备的限制,我们无法获得清晰的图像,这对基于图像识别和检索的应用程序产生了巨大影响。图像超分辨率重建的目的是通过一些手段和方法将低质量,不清楚的图像重建为高分辨率图像。本文研究了低分辨率图像的超分辨率重建方法,以解决低分辨率图像引起的识别问题。本文采用了深度卷积神经网络(DCNN)的思想,并实例化了 DCNN模型以重建低分辨率图像。通过使用训练有素的神经网络模型,同时还将图像质量和细节上的模糊和条纹损失降至最低,我们将改善图像质量。训练集包括具有低分辨率的相似图像,并且它被用于基于示例的学习的传统先进技术中,即低分辨率和高分辨率图像。为了通过实例化DCNN模型获得更好的分辨率重建效果,本文提出了一种卷积神经网络损失函数的优化方法。在计算损失值的过程中,将正则项添加到损失函数中,这可能会降低对损失计算的敏感性。通过实验证明,优化的损耗计算方法可以提高超分辨率重建的图像质量。