在信号与信息处理领域,图像超分辨率重建技术一直是众多国内外学者的热门研究课题。通过传统成像系统获取图像时,因受到硬件设施本身精度和技术水平限制,以及外部环境和成像条件等多方面因素影响,所获得的图像会在一定程度上丢失原始场景信息。而图像的质量与空间分辨率有着直接的关系,超分辨重建技术的出现从提升图像空间分辨率的角度为图像分辨率较低问题开辟出一条最为有效的解决途径。超分辨率重建技术算法的基本理念是利用信号处理的方法,恢复图像采集过程中限于成像条件等因素的限制所缺失的成像系统截止频率之外的高频信息,以此达到提高原始图像分辨率与质量的目的。具有成本低,普适性高等优点,并且其研究成果已经在实际的社会生活中得到了广泛的应用和体现。常见的图像超分辨率重建技术包括基于重建和基于学习的方法。前者本质是利用原始低分辨率图像中的高频信息和多帧图像之间的互补信息,并结合图像的先验知识,求解图像降质过程的逆过程,对成像过程中所“丢失”的高频信息进行恢复重建。但当放大因子增大时重建能力会受到制约。后者则是通过对样本图像的训练学习,获得图像的高频信息以及高低分辨率图像之间的映射关系,以此来指导低分辨率图像的超分辨率重建过程。本论文通过对现有方法优缺点的分析,针对其中的不足之处,从同时兼顾重建效果和算法运算工作量角度,提出改进算法。在SRCNN(Super-Resolution Convolutional Neural Network)网络模型的三层结构中添加了非线性映射卷积层和concat层,以此来增加网络的深度和卷积核的数量,进一步提升图像的超分辨重建效果。同时在这个过程中,舍弃了双立方插值的预处理步骤,通过在网络结构的最后增添反卷积层来实现上采样的目的。对于分辨率较低的图像直接作为卷积神经网络的输入。而对于分辨率较高的初始图像,为更加直观对比重建前后效果,首先经过池化层进行下采样作为预处理步骤,然后经过基于卷积神经网络的重建算法处理后,输出高分辨率重建图像。并通过结构相似性和峰值信噪比等指标对算法进行评估检验,获得了比较好的重建效果。