图像超分辨率技术在医学图像处理、遥感图像处理、监控视频处理等众多领域中具有非常广泛的应用和非常高的研究价值。图像分辨率技术本质上是一种不适定问题,低分辨率图像到高分辨率图像之间的映射关系并不是唯一的,因此图像超分辨率问题也是图像恢复研究领域的难点。近年来,基于卷积神经网络的超分辨率技术展现出强大的优越性并受到广泛的关注和研究,逐渐成为主流的图像超分辨率方法。为了获得更加清晰的超分辨率重建图像,越来越多的庞大的网络模型被提出。但是网络越深越宽,网络也越来越难以训练。同时,网络的大小和推理速度严重制约着其在现实场景中的应用。针对以上存在的问题,本文的主要研究和工作如下。（1）本文提出一种应用于遥感图像超分辨率的神经网络,称为渐进残差深度神经网络（PRDNN）。PRDNN使用一种新型的渐进式残差结构,其可以逐渐发现不同级别和不同感受野下的卫星图像特征信息,并且更深的残差单元能够提供更大的感受野,从而为重建超分辨率卫星图像提供更详细的特征。（2）本文提出一种扩展残差结构,并使用该残差结构构建了一种新型的单图像超分辨率重建网络模型,命名为ERSR。与传统残差结构想比较,扩展残差扩大了非线性激活单元前的输出通道数,残差的最后使用一个卷积核大小为1的卷积层。这种结构可以使得残差学习过程中有更多的有效信息可以被保留下来,提高残差的学习效率。并且由于它只使用一个卷积核大小为3的卷积层和一个卷积核为1的卷积层,所以它不会带来额外的参数,并且也能保持着很快的推理速度。（3）本文在ERSR训练过程中使用较大的批次来训练网络模型。实验证明,这种策略不仅能大幅度提高网络的收敛速度,同时在一定程度上提高网络最终收敛后的精度,防止网络陷入局部最优值而无法完全收敛。本文将PRDNN和ERSR与近年来主流图像超分辨率方法就峰值信噪比和结构相似度等指标上做对比,在公共卫星遥感数据库DOTA、WHU-RS19、UC-Merced-Land-Use、NWPU-RESISC45 和 SIRI-WHU 的实验结果表明,本文提出的PRDNN通过发现图像中诸如边缘和纹理之类的细粒度视觉内容,可以获得更准确的重建信息,并且PRDNN的性能也优于几种最新的基于深度学习的图像超分辨率重建算法。在Set5、Set14、BSD100、Urban100和Manga109等基准测试数据集上实验结果表明,本文提出的ERSR在重建结果精度和视觉效果上都有了全面的提高,并且其仍保持非常小的参数量和非常快的推理速度。