图像分辨率作为图像领域的经典问题在近年来受到越来越多的关注,图像的分辨率决定着图像所包含的信息量的多少,也直接决定人眼所观察到的图像的舒适度。如今,随着机器学习和计算机视觉的相关技术发展,图像分类、物体检测和人脸识别等领域更加需要高质量的清晰图像,以便进行后续的图像识别和分割等专业操作。高频信息丰富、边缘纹理清晰的图像有利于其提取到有用的信息。通过软件算法的方式来改善图像质量的方式相较于改善硬件来说具有灵活、成本低的优点。大数据时代的到来和人工智能的发展使基于神经网络的图像超分辨算法成为研究热点。本文的研究内容主要体现在以下几个方面:(1)提出了一种基于多尺度卷积神经网络的超分辨算法,避免了传统方法对低分辨率图像先验知识的依赖。该算法在神经网络模型的卷积核“尺度”上进行创新,使得该算法在学习过程中不但能在同层内获得特征图的多种特征,而且增加了网络的非线性表达能力。另外该算法利用反卷积结构避免了在训练前进行插值预处理操作。实验结果表明该方法的重建结果具有一定的优势。(2)提出一种改进极深神经网络的超分辨算法。该算法重点在“深度”上进行改进,且内部的残差结构和深层次结构使得该算法能够在快速收敛的同时获取到更大的感知域。与被改进的VDSR算法相比,本文算法具有更深的网络结构,且最终引用了亚像素卷积结构输出重建后的高分辨率图像。该算法所展现的重建图像比其他算法具有更丰富的纹理细节,在客观指标上也取得了大幅度提升。(3)本文对所提出关于“尺度”和“深度”两种算法进行了全面的分析和实验,在主观感受和客观指标上均提供了本算法优越性的证明,并进一步设计实验证明多尺度结构和深层次结构对图像超分辨重建结果的影响,为今后的神经网络在图像超分辨重建方面的研究提供了理论参考和数据依据。