随着深度学习技术在图像领域上越来越普及,研究学者对图像超分辨率重建的研究方向从传统方法逐渐转向基于深度学习的算法。图像超分辨率重建的目的是应用某些技术和算法将模糊图像变清晰。本文主要研究基于生成对抗网络(Generative Adversarial Network,GAN)的图像超分辨率重建模型SRGAN,该模型通过对抗的学习方式重建出的图像更加逼真,并针对该模型训练过程容易出现不稳定的问题以及为了进一步提高重建图片的质量,本文提出改进策略,最后将通过具体实验论证改进后的方法的优越性。本文的研究内容及提出的创新点表现在以下几个方面:(1)介绍目前被广泛应用的超分辨率重建方法的基本工作原理,通过对比实验从多方面比较各个算法之间的优缺点,实验表明基于生成对抗网络GAN的超分辨率重建方法比其他方法生成的图片细节更清晰,视觉效果更好。(2)一方面本文提出去除GAN中生成网络的所有BN层来提高学习效率;另一方面结合密集网络(Dense Network)和残差网络(Residual Network)提出残差密集块(Residual Dense Block,RDB)代替生成网络的残差块对低分辨率图像进行多个层次的特征提取,提高重建图片的质量,提升感知质量。(3)针对传统生成对抗网络训练过程不稳定以及生成样本缺乏多样性的问题,本文提出以Wasserstein距离替代原来损失函数中的JS散度衡量重建的高分辨率图像和真实图像之间的差异,增强了模型的鲁棒性。(4)针对传统的图像超分辨率重建的评价指标高低和肉眼观察到的视觉效果不一致的问题,本文通过Laplacian梯度作为新的评价指标计算重建图像的清晰度,增强了实验的可信度。本文将改进后的模型命名为RDB-WGAN,与其他现有的几种图像超分辨率重建方法从视觉效果、客观数据两方面做对比,经实验结果表明,本文算法在人脸、医学影像上的重建视觉效果较佳、清晰度较高、模型性能较优。