随着图像处理技术的快速发展,基于软件方法的超分辨率重建技术由于其不涉及硬件、普适性强、并且应用性强等优点,在图像处理领域的重要性与日俱增。超分辨率重建算法,实际上是使用单帧或连续相关的多帧低分辨率图像,以在相应的技术处理之后获得相应的高分辨率图像。超分辨率重建技术已广泛应用于军事、遥感、医学等领域。随着机器学习和硬件设备的共同发展,深度学习算法被越来越多的领域所采用。基于它的高数据拟合能力,许多学者已经将深度学习成功应用于图像的超分辨率重建问题中,并取得显著成果。然而,随着网络的深度和复杂度不断增加和加强,带来了信息消失,数据量和计算量冗余,不适用于小型器件等问题。为解决这些问题,我们提出了一种基于交错组卷积的轻量级神经网络,并在单帧图像的超分重建上取得较好的效果。本文首先引导性的介绍了超分辨率重建算法的背景、发展、研究方法、常见分类方法和评估方法。然后递进而详细的阐述了深度学习算法的发展历程、超分重建领域常用的卷积神经网络模型和在此基础上有所优化的残差网络。接下来,我们对经典的基于深度学习的单帧图像的超分辨率重建算法进行了研究。在对传统经典算法的分析基础上,本文针对其不足之处提出一种将残差单元和组卷积引入经典神经网络结构的算法。本算法的核心思想是通过组卷积的方式拓宽网络结构,增强卷积核的稀疏性,达到减小计算量和参数量、优化算法的目的。经过大量实验评估,本文提出的基于单帧图像的超分辨率重建算法改进了经典算法的不足,其性能优于经典的基于学习的算法。在相同实验条件下,通过从图像的视觉效果和客观评估值进行比较实验,结果显示本算法能够兼顾神经网络模型规模和图像重建质量,以更小的参数量达到相对更优的结果,以及视觉上更好的效果。