图像重构作为图像处理领域中的重要研究课题得到了广泛的关注。本文将卷积神经网络算法应用于图像重构问题中,主要围绕图像去噪和CFA图像去马赛克两个方向展开研究,具体研究内容包括:（1）本文提出了一种基于多尺度特征融合的并行稠密残差去噪网络框架。该框架首先采用并行网络结构以结合不同深度的图像特征信息,每个网络分支由一系列连续的具有稠密连接的稠密残差块（Dense Residual Block,DRB）组成,并且DRB之间采用远程跳跃连接以克服网络训练过程中可能出现的梯度消失和梯度弥散等问题并提高网络训练性能。另外,在结合深层图像特征信息与浅层图像特征信息的基础上,每个网络分支内部引入了多尺度特征融合块（Multi-scale Feature Fusion Block,MFFB）以获取不同深度下的多尺度图像特征信息。最后采用残差学习策略进一步提高网络学习性能。本方法能够更好地保留图像中高频部分的有效特征信息,极大地提高了图像的清晰度和自然度,具有更好的去噪效果。（2）本文提出了一种基于深层稠密残差的生成式对抗神经网络的CFA图像去马赛克网络框架。其中生成器使用具有稠密残差块和远程跳跃连接的深层稠密残差网络,鉴别器由一系列堆叠的卷积单元构成。另外,本文结合了对抗性损失、像素损失以及特征感知损失对损失函数进行改进,从而加强网络重建图像的能力。本方法相较于其他传统插值算法可以更好地恢复图像边缘和细节部分的有效信息,并且对图像高频部分的伪影现象有很好的抑制效果。（3）本文提出了一种基于U-nct与稠密残差的生成式对抗神经网络的CFA图像去马赛克网络框架。其中生成器使用改进的U-nct网络模型,鉴别器使用深层稠密残差网络。本方法相较于其他传统插值算法可以在有效抑制图像伪影现象的同时,能够更好地恢复图像纹理和边缘等高频信息,产生高分辨率的清晰彩色图像。