图像是获取和传递信息的重要手段,在人类的生活中随处可见。图像分辨率的高低是评价一个图像质量的重要因素,分辨率高代表着图像更加清晰、细节更加丰富、质量越高,而低分辨率的图像相比之下会显得较为模糊,使人难以看清,从而无法从中获取完整的信息。然而在图像获取的过程中由于受硬件设备和环境等客观因素的影响,会导致图像的分辨率降低、图像发生退化,这一现象是难以避免的,因此研究如何提升图像的分辨率是有价值的。提升硬件设备质量和通过软件技术对图像进行重建均可以提高图像的分辨率,而提升硬件设备的质量这一方法成本过高,因此通过相关的软件技术完成图像的重建工作是一种更佳的选择。图像超分辨率重建技术是指通过算法对低分辨率的图像进行补充和增强相关的细节信息,从而提升图像的分辨率,得到超分辨率图像,完成图像的重建工作。近年来随着深度学习的发展,基于神经网络的算法是当前解决图像超分辨率重建问题的主流方法,但目前仍存在重建的图像质量不高、纹理细节模糊等问题。为了解决上面的问题,本文通过设计新的网络结构,并优化损失函数、激活函数等方法,提升重建图像的质量并恢复出更加清晰的纹理细节。本文的主要工作如下:（1）提出了基于多尺度卷积和密集残差连接的图像超分辨率重建算法（Multi-Scale convolution and Dense Residual connection Super-Resolution,MSDRSR）。通过对网络结构、损失函数、激活函数进行改进和优化,最终提升重建图像的质量。该算法以SRRes Net模型结构为基础进行优化。首先对其网络结构进行改进,在基础的残差连接结构中引入密集残差连接和多尺度卷积等思想对残差网络结构进行优化,设计了一个多尺度密集残差连接网络。然后使用GELU作为激活函数。其次对损失函数进行优化,通过使用Charbonnier损失来代替MSE损失。最后将改进后的算法（MSDRSR）与SRRes Net、EDSR进行对比,实验结果表明:在Set5、Set14等测试集上通过MSDRSR重建出的图像在客观评价指标数据上要优于其它算法。（2）为了使重建后的图像纹理细节更加清晰,提出了基于改进生成对抗网络的图像超分辨率重建算法。通过对网络结构、损失函数、归一化方法进行改进和优化,在重建高质量图像的同时恢复出更清晰的纹理细节。该算法以SRGAN模型结构为基础进行优化。首先使用MSDRSR算法中的网络结构作为生成网络结构,替代原始SRGAN中的生成网络。然后引入Wasserstein距离计算网络的对抗损失函数,从而增强网络在训练中的稳定性。其次是使用组归一化代替批归一化作为网络的归一化方法,以便在有限的硬件设备条件下取得更加的效果,进一步提升网络重建图像的质量。最后将改进后的算法与SRGAN、ESRGAN进行对比,在Set5、Set14等测试集上进行图像的重建工作,并通过峰值信噪比及结构相似度对重建图像进行客观数据的评价,实验结果表明:与其他方法相比,本文提出的算法重建的图像较清晰,在一定程度上提高了图像重建的质量。