高分辨率的合成孔径雷达（SAR）图像在诸多领域均有重要的应用价值,然而,由于硬件性能限制、成像条件复杂等不利因素,并且受到本身固有的乘性相干斑噪声的影响,往往获得的SAR图像分辨率都会受到严重降低。而图像的超分辨率重建,不仅可以提高图像的分辨率,而且通过引入新的高频信息,如边缘、纹理等,同时在一定程度上降低噪声、杂波等,使得图像的整体质量得到提高。近年来基于深度学习的自然图像超分辨取得了巨大的成功,而对于SAR图像超分辨的研究从最近两三年才刚刚开始,并且通常都是直接将用于自然图像超分辨的网络直接套用过来,网络结构相对简单,导致最终重建出的SAR图像质量较差。因此,本文将深度学习技术应用到SAR图像超分辨重建中,使用目前最流行的卷积神经网络（CNN）和生成对抗网络（GAN）模型,引入了多种深度学习中先进的结构和机制,最终可以实现将低分辨率的SAR图像转为高质量的高分辨率SAR图像。论文的具体研究内容如下:1)提出了一个基于卷积神经网络（CNN）的SAR图像超分辨重建网络。首先该网络采用了三种不同尺度的卷积核提取图像特征,从而保证特征的多样性;同时,结合了极深超分辨网络（VDSR）中的全局残差结构和Res Net中的局部残差结构,使得网络只需学习一小部分非零的像素值,加快了网络的收敛速度,降低了学习难度。对于上采样层的选择,论文中摒弃了常规的转置卷积和亚像素卷积层,而是采用了一种更为高效的增加卷积核通道数然后像素重排的方式。并且,上采样操作在网络的后端进行,这就使得网络特征学习过程大部分在低分辨率空间进行,从而可以有效降低网络的训练时间。此外,网络中还引入了稠密连接结构,可以更加充分地利用图像的特征信息,从而更有利于图像高频信息的恢复。实验结果表明,相比传统超分辨方法,该网络重建出的SAR图像在峰值信噪比、结构相似性和边缘保持度这些客观评价指标上都取得了显著的提高,对比目前最先进的基于深度学习的方法,也取得了很好的结果。在大场景SAR舰船检测中,超分辨后的SAR图像舰船检测精度得到了显著提高,且相比其他方法也有一定程度的改善。2)提出了一个基于生成对抗网络（GAN）的SAR图像超分辨重建网络。本文在超分辨生成对抗网络（SRGAN）的基础上分别改进了生成器子网络和判别器子网络。在生成器子网络中,使用了拉普拉斯图像金字塔结构逐级放大图像以实现更大倍数的图像超分辨重建,并且引入了通道注意力机制增强有用特征,使其在一定程度上消除了SAR图像相干斑噪声的影响。而判别器子网络则使用了新颖的相对判别器结构,从而可以同时利用真实图像和生成图像来优化网络。网络的损失函数由像素级的均方误差损失、对抗损失和感知损失三部分构成,其中感知损失基于VGG19网络提取的高级抽象特征,更有利于SAR图像边缘纹理等高频信息的恢复。最终本文提出的网络可以重建出非常逼真的、纹理清晰的高分辨率SAR图像,并在舰船检测任务中,检测精度较低分辨率图像有大幅度的提高,而且也略优于其他超分辨方法。