单帧图像超分辨率重建技术利用图像处理和机器学习理论,实现用一张给定的低分辨率图像生成出一张具有良好客观质量和视觉效果的高分辨率图像。超分辨率图像可以被广泛应用于医疗图像处理、遥感图像处理、公共安全监控、数字娱乐、多媒体通讯等领域,超分辨率重建技术因此得到人们的广泛关注。近几年蓬勃发展的基于深度学习的图像超分辨率模型（即深度超分模型）在超分辨率重建问题上取得了良好成绩,大大超越了传统的超分辨率重建算法,成为计算机视觉领域的一个研究热点。已有的多数深度超分模型主要关注模型的保真项重建,忽视了对深度超分模型的正则化约束分析。针对该问题,本文研究正则化约束下的深度超分模型,通过图像内部的统计先验、超分模型重建的损失、上下文特征和判别器为正则化约束条件来提升超分模型的性能,提出了四个新的图像超分辨率重建算法或模型。本文的研究内容及主要创新点如下:1.针对已有深度超分模型未考虑输入图像内部的统计先验,提出了一个联合统计模型引导深度网络的超分重建算法。联合统计模型使用了两个图像内部统计先验:非局部相似性和局部平滑度,分别建模为两项全变分正则项。为了使深度模型的重建结果尽可能与预估的高分辨率图像相似,将深度网络重建约束作为第三项正则项。以联合统计模型为正则化约束条件,引导深度模型重建,并用可收敛的分裂的Bregman迭代算法优化全变分问题。在四个基准数据集上的定量和定性结果表明,所提算法比原深度模型有更高的峰值信噪比。与已有研究工作相比,该方法建立了联合统计模型和深度超分模型的统一框架,实现了传统超分算法与深度超分模型的联合求解。2.针对高倍率如4倍、8倍的图像边缘重建时存在严重的锯齿现象,提出一个基于残差记忆网络的超分辨率重建模型。将总变分损失和多尺度结构相似性损失结合为新的联合损失函数作为正则化约束条件,约束超分模型产生连续的边缘。用残差记忆模块作为基础模块,通过门限机制自主选择特征。所提方法使用更少的参数,在放大4倍、8倍上取得了良好的客观指标。与第一个研究内容不同,该方法重点研究用模型损失来约束深度超分模型。3.针对深度超分模型未能充分考虑各层特征之间的上下文关联信息,提出一个基于非局部多尺度融合的单帧图像超分辨率重建模型。该模型用宽激活残差模块扩宽激活层前的特征,用多尺度融合模块在多个尺度上融合特征,用非局部网络模块获取图像的全局特征,关注目标的核心区域,并用模型得到的上下文特征作为该模型的正则化约束项。在五个基准数据集上,所提算法取得了最好的定量和定性结果。与第二个研究内容相比,该方法是具有更深网络层数和更高重建性能的超分模型。在视频超分辨率重建、图像分割、目标检测任务上的实验对比结果显示,所提算法相比其它最新超分模型有一定的优越性。与已有研究工作相比,该方法用深度超分模型的上下文特征约束模型重建。4.针对面向视觉感知的图像重建未能平衡视觉感知和客观质量的问题,提出了一个联合注意判别器。在原判别器上使用密集通道注意力和跨层注意力,提升原判别器的判别性,将联合注意判别器作为深度超分模型的正则化约束条件,指导生成器产生具有更高客观质量的重建结果。与多种生成器结合后的实验结果表明,所提联合注意判别器比原判别器能更有效提升重建的客观指标和主观视觉效果。前三个方法的研究内容是以PSNR为导向的超分算法或模型,与前三个方法不同,该方法主要研究以视觉感知为导向的深度超分模型。与已有研究工作相比,该方法考虑了判别器对深度超分模型中的生成器的作用。