随着智慧城市的加速建设,公共交通的视频监控对于提高公共安全具有举足轻重的作用。车辆后拍图像包含车型、车牌等特征信息,基于后拍图像的超分辨率重建技术旨在恢复低分辨率车辆后拍的细节信息。超分辨率任务中,低-高分辨率数据对的难以获得始终为研究瓶颈之一,目前主流的超分辨率方法集中在重建采用人工固定的退化核进行退化的图像,对自然低分辨率图像的作用较为有限。因此针对真实监控场景的车辆后拍图像进行超分辨率重建是具有挑战性和实际意义。针对交通监控场景下低-高分辨率图像对难以获得的问题,本文提出了一种非成对训练策略,分为三步:先采用下采样网络学习此特定场景中图像从高到低分辨率的退化过程;再利用学习好的模型生成成对的低-高分辨率数据;最后基于成对低-高分辨率图像进行有监督式训练。基于此训练策略,本文首先提出了一种基于残差结构和生成对抗网络的下采样算法,将高分辨率图像退化为低分辨率图像的同时保留原有的场景特征。其次,本文提出了一个基于生成对抗网络的超分辨率重建算法,引入了残差聚合模块和基于主观评价指标的损失函数来提高重建的超分辨率图像感知质量。此外,本文构建了一个具有较大规模的车辆后拍图像数据集Vehicle6k,并在此数据集上进行了大量的实验验证。结果表明,本文提出的非成对车辆图像超分辨率重建算法在定量和定性评估指标上皆优于现有方法。最后基于所提出的算法实现了原型系统,以满足日常的车辆图像超分辨率重建需求。