高分辨率图像拥有丰富的细节信息,可以在视频监控、医疗图像、卫星遥感等图像处理和计算机视觉任务上提供很大的帮助。然而,由于成像硬件设备的限制,很多场合下只能得到低分辨率的图像,高分辨率的图像资源比较缺乏。因此,为了摆脱硬件条件的限制,使用图像超分辨率重建技术来获得高分辨率图像是一种很好的选择。目前在超分辨率重建领域中,基于学习的算法取得了较好的重建效果,然而这些算法大多需要较长的时间来训练模型,导致算法的效率不是很高。随着深度学习热潮的兴起,卷积神经网络被成功的应用于图像超分辨率重建中,由于其简单的前馈网络结构,超分辨率的效率有了很大的提高。所以,本文结合卷积神经网络,对超分辨率算法进行研究,主要工作如下:首先,介绍了基于卷积神经网络的图像超分辨率算法。该算法利用卷积神经网络,在低分辨率图像与高分辨率图像之间构建一个端到端的映射关系,并借助这个映射关系来完成重建。经实验对比,该算法具有很好的重建效果。其次,针对基于卷积神经网络的超分辨率重建的实时性问题,本文提出了一种改进的基于卷积神经网络的图像超分辨率算法。改进算法无需预处理,将原始低分辨率图像输入网络,在网络输出端完成上采样处理。同时改变优化算法,由自适应矩估计优化算法替代随机梯度下降优化算法。另外,构造出一种新的激活函数,提高重建质量。经实验对比,改进算法不仅训练时间得到很大的缩短,而且可以取得更好的超分辨率效果。最后,为了进一步提高超分辨率重建的效果,本文对小规模的基于卷积神经网络的超分辨率算法进行网络加深,重点对特征映射结构进行实验研究,提出一种基于深度卷积特征学习的图像超分辨率算法。经实验对比,该算法的重建质量不仅得到了进一步提升,而且相较于其它算法实时性也得到了提高。