随着计算机视觉应用的发展，基于单幅图像的超分辨率重建算法成为一大研究热点。超分辨率重建是将一个或多个低分辨率图像，通过信号处理和图像处理的方法，得到最高质量图像的过程。传统的重建算法常常存在计算复杂度高、鲁棒性不强、输入图像需要是固定尺寸的问题，基于卷积神经网络的超分辨率重建算法可以很好地解决这些问题。然而目前的卷积神经网络重建算法只有三层结构，相关研究已经证明，浅层结构对于内部结构不复杂、约束不强的数据具有较好的效果，但是当要处理现实世界中内部结构复杂的数据时，这些模型就会出现表征能力不足的问题。因此为了得到更适合的重建模型，本文深入研究了基于卷积神经网络的超分辨率重建算法，论文的主要工作和创新点如下：
　　1.详细推导了卷积神经网络在图像纹理与细节重建中的联系，通过卷积网络前向传播与反向传播公式的推导，在理论方面证实了卷积神经网络算法在图像重建中的优越性，并且通过梯度算子重建与基于深度卷积神经网络的超分辨率重建的对比实验进行了验证。
　　2.提出了利用全卷积网络强化纹理边缘的四层卷积神经网络超分辨率重建模型，并对提出的四层网络模型进行仿真实验，证实了该模型能够得到不错的重建效果，对图像细节特别是纹理细节有着更好的恢复作用。超分辨率重建结果的精细度取决于算法能否提取到细节特征，这在卷积神经网络中与模型的参数设置息息相关。因此本文对网络参数包括卷积核参数与卷积层数进行多次调整实验以求得到最好的效果，并得出对于无预训练与特征转移等调整的全卷积网络，适用于重建的最高层数为四层的结论。
　　3.为了满足超分辨率重建精细度更高的要求，提出一个基于特征转移的六层卷积神经网络结构来实现图像超分辨率重建。根据对卷积神经网络所提取的中层特征的研究，本文将网络层结构分为两部分，前三层通过特征转移得到浅层纹理信息，后三层实现特征增强，强化细节部分。输入为低分辨率图像，输出即为重建好的高分辨率图像。在实验中，该模型得到了较好的效果，在精细度方面具有更高的优势。