图像超分辨率重建技术指的是将给定的一幅低分辨率图像通过特定的算法恢复成相应的高分辨率图像。随着人工智能的不断发展,超分辨率重建技术在视频图像压缩传输、医学成像、遥感成像、视频感知与监控等领域得到了广泛的应用与研究。因此,图像的超分辨率技术是计算机视觉和图像处理的热点研究方向。图像超分辨率重建算法根据其重构原理的不同,可以分为基于插值、基于样例、和基于学习的方法。基于深度学习的超分辨率方法能够充分利用图像的特征信息,通过构建一个模型直接学习低分辨率图像和高分辨率图像之间的关系,然后利用训练好的模型重建出高分辨率图像块。基于深度学习的方法可以显著提高单图像超分辨率的质量。本论文深入研究了深度学习在图像超分辨率领域中的重建算法,发现当前的研究倾向于使用更深的卷积神经网络来增强网络性能。但是盲目地堆叠单一的卷积层来增加网络的深度不能有效地改善网络,提升性能。随着网络深度的增加,训练过程中会出现梯度消失等问题,并且需要更多的训练技巧和更高的计算复杂度。其忽略了图像特征的多样性、复杂性,以及对图像特征的充分利用。为了解决上述问题,本论文在残差神经网络的基础上进行改进,提出了基于自适应融合残差网络和基于双尺度融合残差网络的两种算法,将其应用于图像超分辨率中。本论文的主要研究工作的贡献点如下所述:(1)大多数现有的图像超分辨率模型存在图像特征利用不足的问题。为了解决上述问题,本论文在原有残差网络的基础上进行改进,提出了一种基于自适应融合残差网络的图像超分辨率算法。该算法构建了一种自适应融合残差块,用于自适应地选择多层特征中的有价值信息进行融合。该算法还简化了常用的重建模块,使其更简单灵活。根据多层图像特征之间的联系,通过自适应融合残差块能够有效地提取和融合多层图像特征中的有价值信息,利用这些信息可以获得更高质量的重构图像。在图像超分辨率的任务中,所提出的这个算法的图像重建性能较大多数现有的算法有不少的提升。(2)大多数现有图像超分辨算法盲目地增加网络的深度,以增强网络的性能,但忽略了充分利用不同尺度的图像特征的方法。为了解决上述问题,本论文对现有的基于残差网络的方法进行了改进,提出了一种基于双尺度融合残差网络的图像超分辨率算法。该算法构建了一种双尺度融合残差块,用于自适应地检测不同尺度的图像特征。在双尺度融合残差块的基础上,还构建了一种特征自适应传递结构,用于提取有价值的图像特征传递到网络末端进行全局融合,以提升模型的重建性能。这种算法的模型能够充分利用不同尺度的有价值的图像特征来获得高质量的高分辨率图像。实验表明,其在图像超分辨率任务中获得较好的客观评价和主观视觉评价的指标。