图像超分辨率是计算机视觉任务中的经典问题,它旨在使用超分辨率算法从低分辨率图像恢复高分辨率图像。图像超分辨率广泛应用于医学成像、卫星图像分析、高清视频处理、安全与监控等领域。近年来,随着深度学习的发展,基于深度学习的方法逐步超越了传统超分辨率方法。基于传统的插值方法,如线性插值,二次插值,双三次插值通常带来平滑的图像结果。相比于传统的插值方法,基于深度学习的方法能充分恢复图像的纹理细节,并在图像的主流评价指标峰值信噪比和结构相似性指数中领先传统方法。在图像超分辨率任务中,基于深度学习的算法主要分为两种,一种是使用生成对抗网络通过生成网络和判别网络的博弈产生超分辨图像,另一种是使用深度卷积架构学习低维空间到高维空间的端到端的映射关系。本文我们对目前超分辨率主流方法进行研究和改进,并详细设计了适用于图像超分辨率场景的生成对抗网络。在图像超分辨率网络的改进方面,本文构建了级联频率分解模块,并使用八度卷积将频率分解去低频冗余,使用了通道注意力机制为分解后的高频特征和低频特征分配权重。本文通过去除批处理归一化层避免超分辨率相对尺度信息的丢失。除此之外,在生成对抗网络中使用稠密连接增加网络深度,减轻梯度消失。在上采样层中,我们使用子像素卷积替代转置卷积以消除棋盘伪影。在实验中,证明了改进方法和网络结构的有效性,并与目前主流超分辨方法对比。本文设计的图像超分辨率网络不仅有优秀的视觉感知质量,得益于频率分解模块对高频特征的提取,在纹理细节方面也表现优异。