随着数字时代的到来,以图像为媒介的信息处理方式已经被广泛应用于各种场景中。图像的分辨率的高低可以影响到信息获取的完善程度,高分辨率图像可以提供更多的数据信息。近年来,基于深度学习的多个网络模型在图像超分辨率重建领域的精度和计算性能方面相比于传统方法上有了很大的提升。但这些网络模型里低分辨率图像在预处理阶段通常会先使用双三次插值的方法放大为与目标图像同尺寸的高分辨率图像。这意味着在网络训练过程中需要在高分辨率图像空间中进行操作,这样会增加网络的计算复杂度。虽然加深网络的深度可以有效的提升图像的重建精度,但仅增加网络层数会导致梯度爆炸和梯度消失问题。因此,本文针对上述问题提出一种基于亚像素卷积网络的图像超分辨率重建方法,主要研究内容包括:在图像预处理阶段将低分辨率图像的颜色通道RGB空间转换为YCbCr空间,并采用低分辨率图像的亮度通道作为网络输入使网络训练过程在低分辨率图像空间中进行,以减少网络计算量,有效提高网络的训练效率。构建两层特征提取层,使图像的特征获取更为精准;构建四层非线性映射层,深层的网络具有更加丰富的语义信息,因此加深网络层数可以提取到更多的图像信息。利用残差网络层代替部分卷积层,将低层网络的特征信息直接传送到高层网络,实现特征信息的重复利用,避免网络由于层数加深导致梯度爆炸或者梯度消失的情况;引入亚像素卷积层作为重构层,将多幅特征图像中相同位置的信息按照像素点进行重新排列,达到在特征信息相关性不变的同时提高计算效率。为了验证算法的有效性,本文与四个经典算法在公有数据集、交通数据集和缺陷数据集进行实验对比,并在峰值信噪比与结构相似性,视觉重建效果及单幅图像的重建时间上进行验证。实验结果表明,本文算法的评价指标数值最高,视觉效果上,本文算法的纹理细节信息更清晰,与目标图像最接近,单幅图像的重建时间最短。