图像超分辨率技术(super-resolution,SR)是图像处理中的一个非常重要的环节,超分辨率技术被广泛应用在各个领域。使用SR技术可以将低分辨率(Low Resolution,LR)图像,通过恢复得到细节信息更加丰富,纹理更加清晰的高分辨率(High Resolution,HR)图像,并有助于接下来的图像处理过程。超分辨率技术是一种利用软件进行图像质量提升的技术,是目前一种经济可行的提高图像分辨率的方式。目前随着人工智能以及深度学习的发展,基于深度学习的图像超分辨率技术正式当前的研究热点。本文的主要内容为:首先介绍了关于图像超分辨率的基本理论基础,以及常用算法及其分类,详细介绍了两种基于深度学习的超分辨率算法,分别为基于卷积神经网络的与基于极深网络的算法。然后介绍了关于图像内自相似性的内容,分为同尺度相似块的相似性以及跨尺度的相似块的相似性,以及如何将图像的相似性应用到超分辨率的预处理过程。最后本文提出了基于极深网络的经过改进深度学习网络模型,并且详细阐述了本文应用的残差网络ResNet以及批量归一化的理论与网络结构,并给出了整个网络的网络结构模型以及相关理论推导。并在最后展示了实验结果以及该算法与相关算法之间的比较,展示了本文提出的算法比常用的超分辨率算法在主观与客观上都有着一定程度的效果提升。