高分辨率图像能够提供丰富的图像细节,帮助完成高级视觉任务,如识别、分割和检测等。它在很多领域有着广泛的实际应用,如遥感图像、医学图像、卫星图像、视频监控和生物测定等。获取高分辨率图像最直接的方法就是使用更好的硬件设备。受限于硬件制作技术和高昂的设备成本,该方法难以大范围使用和推广。图像超分辨率方法,可以从低分辨率图像中生成高分辨率图像,满足人们对于高分辨率图像日益增加的需求。近年来,深卷积神经网络在图像超分辨率中取得了巨大的性能提升。然而,大多数图像超分辨率方法使用合成的成对数据集进行训练,无法解决真实世界超分辨率问题。现实世界中的图像可能存在模糊、噪声,人工下采样方法无法模拟复杂的真实退化方式,限制了模型的泛化能力。因此,无监督真实图像超分辨率是一个更加具有挑战性和实际应用价值的问题。本文提出了使用无监督循环网络来处理真实图像超分辨问题,开展了以下工作:（1）通过分析目前基于循环结构的无监督超分辨率算法,提出在真实低分辨率和高分辨率空间之间直接建立循环,更好地重建图像。并且在相对判别器的基础上,添加了感知特征提取器,测量生成的图像和真实图像之间多级差异,更好地处理了判别网络的低级特征映射,提升图像视觉效果。（2）分离了图像的高低频信息,将高频信息用于对抗式训练,简化了判别器的任务,同时将低频信息用于保持内容一致性和图像的整体结构信息。（3）采用一种新的超体积最大化方法来代替损失函数的线性组合进行网络优化,通过多目标优化的方法进一步提升了网络训练效果。本文的方法在三个数据集上与目前流行的无监督超分辨率方法进行定量和定性对比,证明了论文提出的方法的优越性。此外,模型的内部消融实验和分析进一步证明了本文方法的有效性。本文的方法在无监督超分辨率上具有一定的研究价值。