图像质量对于各种图像任务都有着至关重要的作用，在一定程度上决定着任务的困难程度以及完成的效果，利用超分辨率技术恢复图像质量成为研究的热点，但是超分辨率重建任务是一个病态问题，因为要从低分辨率图像中恢复更高分辨率的图像。为了提高图像的分辨率，可以采用升级图像图像采集硬件或延长图像采集时间的方法，但是会增加系统成本，或是增加了对病人的辐射剂量等。因此，从软件的角度来提高图像分辨率是更好的选择，即通过超分辨率重建的方法来恢复高分辨率清晰图像。本文针对现有的基于深度学习的超分辨率重建算法存在的不足进行进一步研究，并取得了一系列的创新成果。本文所做工作主要包含以下两个方面：
　　(1)二维自然图像的超分辨率重建
　　首先是针对二维自然图像的超分辨率重建任务，提出一种有利于特征再利用的网络结构，通过提高特征的利用率，来进一步提升重建图像的效果。在特征再利用结构中添加了改进的跳层结构，使特征更好的进行融合。其次，针对二维超分辨率重建任务本文还设计了一种双参数损失函数，通过改变两个可调参数，选出最符合本文网络结构的损失函数来进行优化训练，提升网络的优化性能。通过实验对比论证，本文所提特征再利用结构在二维自然图像超分辨率重建上效果优于同类算法，在其他四个同类公开数据集上本文所提结构效果均有显著的优势，证明本文所提算法具有很强的泛化能力。
　　(2)三维医学图像的超分辨率重建
　　针对三维医学图像的超分辨率重建提出一种基于空洞卷积的网络结构，在不增加网络参数的前提下，增大模型的感受野来更好的提取特征。其次，通过添加跳层连接结构将浅层的局部信息与深层的全局信息进行进一步融合，提高重建图像质量。在三维医学图像超分辨率重建任务中，本文提出的基于空洞卷积的超分辨率重建算法较其他几种同类算法具有显著的优势，可以重建出更高质量的图像。