图像的空间分辨率决定图像中包含信息的多少。如何提高图像分辨率,一直以来都是图像科学研究的热点。图像超分辨率重建是指由一幅或多幅低分辨率图像,利用机器学习或计算机视觉相关知识,生成一幅高分辨率图像的技术。近年来,深度学习在图像分类、人脸识别等视觉任务中取得了较大成功,本文尝试将深度学习应用到超分辨率重建任务中,探索了深度学习超分辨算法及其应用技术。本文首先对超分辨率技术的研究现状进行了总结,然后提出了几种基于深度学习的超分辨率重建模型并将其应用在人脸幻想技术中。(1)基于深度编码-解码对称网络的超分辨率重建模型全卷积网络(亦称编码-解码网络),最近在图像分割、去噪等任务中取得了较好的结果,这得益于反卷积层的作用。在以往的深度网络中,随着卷积层的增加,图像的细节信息可能会逐层丢失,这对恢复类任务非常不利。因此,我们尝试构建一个由卷积层和反卷积层构成的编码-解码对称深度网络,用于解决超分辨率任务。实验结果验证了该方法的有效性。(2)基于多尺度对称深度网络的超分辨率重建模型多尺度分析一直是图像处理技术的原理性指导。采用多尺度深度网络模拟多尺度分析过程是一个新的尝试。此外,网络越深,学习到的特征越抽象,更有利于后续的任务。我们尝试构建一个多尺度深度网络,该模型已取得较优的重建效果。同时,在该模型中,我们引入了相位一致性的边缘提取方法,在一定程度上正则化了超分辨重建病态问题的解。(3)基于深度学习的人脸幻想技术图像先验知识有利于提高大多数视觉任务的性能,而反投影算法可引入低分辨率图像先验,因此我们将迭代反投影算法结合到卷积神经网络中,用网络的形式模拟其功能。另外,我们引入了生成对抗网络,同时训练两个网络使得生成网络重建的图像更接近原始图像。实验结果表明了对抗超分辨模型的有效性。