许多信息处理系统需要高分辨率的图像来进行有效的操作。而图形的分辨率受系统物理参数的要求,这在许多与图像采集相关的应用上都是需要解决的问题。因此,提出对图像序列的处理方法非常重要,这些处理方法可以建立最终的超分辨率图像。我们提出了借助深度卷积神经网络(DCNN)来最小化误差函数的三种解决方法。在本文中,为了解决超分辨率的问题,考虑了生成对抗神经网络模型的适用性。我们提出了三种不同的处理方法,每种方法都是为解决以前方法的不足而设计的。第一种是把深度卷积网络和生成对抗神经网络结合起来。第二种由用深度卷积神经网络VGG-16来代替鉴别网络和为图像分类进行预训练组成。提出的第三种改进方法是通过对先前方法的分析而得到的,包括通过图像色彩校正的多维阶段、基于使用点扩散函数(PSF)和新的深度卷积神经网络的去卷积来消除颜色失真作为解决超分辨率的任务的一个完整组成部分。该网络经过训练,通过考虑原始图像三色通道之间的相互关系来提高图像的分辨率。关于真实感图像形式的先验信息被用来解决超分辨率问题。在此基础上,为解决超分辨率问题,我们在神经网络方法方面取得了一些进展。最后的算法尽可能的匹配了数据。测试结果表明,与现有技术相比,超分辨率的性能得到了提升。