近年来,随着深度学习技术的快速发展,基于深度学习的图像超分辨率技术不断取得突破。为了更加深入理解该领域,探究领域前沿方向,本课题对该领域的最新进展进行了深入的调研,将该领域研究工作分为有监督、无监督与领域特定的超分辨率技术,并着重模块化地介绍了有监督的单图像超分辨率技术,从网络框架、网络设计、损失函数、学习策略等各个方面分别阐述相关工作在此方向上的改进以及未来的发展方向,为该领域提供了全面的综述。在综述的过程中,本研究发现现有的图像超分辨率方法普遍试图学习一个通用模型来处理所有图像。然而,因为不同图像之间的差异很大,并且每张图像都带有一些特有信息(如独有的纹理、重复的形状),因此使用一个固定的单一模型处理所有的图像往往导致生成质量的不稳定。为此,本课题将单图像超分辨率任务视为少样本学习问题,并提出了基于元学习的图像特定的超分辨率技术,其中每个图像都隐式地指示了其自身潜在的超分辨率解决方案。具体而言,本研究将对每一张图像执行超分辨率都解释为一项少样本学习任务,从而将原始问题重构为少样本学习问题,并引入元学习技术来解决该少样本学习问题,即学习快速学习图像特定的超分辨率模型。丰富的实验验证了所提出的算法的有效性,在多个基准数据集、基准模型上进一步提升了性能,达到了该领域的先进水准。最后本课题还分析了所提出算法的缺陷并提出了潜在的解决方案与针对性的改进方向。此外,在将单图像超分辨率重建为少样本学习任务的过程中,本研究发现采样的少样本学习任务中的类别与样本对于元学习的有效性与效率产生重要的影响,因此进一步探究了少样本学习问题中任务构建时的类别采样问题,并提出了元学习自适应采样算法。该算法通过在少样本学习任务采样过程中自适应地选择困难的样本组合,提供了生成富有信息性的少样本学习任务的有效方法,极大地增强了元模型的训练,并通过实验验证了该方案在不同的元学习算法、数据集、主干网络上都能实现一致的泛化性能改进。