图像超分辨率重建是图像复原领域的重要研究方向和技术。在大多数电子成像应用中,需要采集到高分辨率图像并对其进行分析研究。高分辨率图像意味着图像内的像素密度较高,可以提供在各种应用中更多的关键细节。但是通常因为硬件设备的限制、恶劣的环境等诸多因素,导致采集得到的图像质量不高,这极大地限制了工作的质量与安全性。因此需要通过超分辨率复原技术来修复并提高已采集到的图像质量。目前,图像超分辨率复原的研究已经取得了不错的进展。基于插值和基于重建的图像超分辨率方法,复杂度低,但效果有限,难以修复图像中的高频细节。由于人工智能的蓬勃发展,深度学习技术被应用在计算机视觉领域变得越来越流行,且取得了非常瞩目的成绩,因此基于神经网络的图像超分辨率复原技术成为目前的研究热点。此外,基于神经网络的图像超分辨率模型也可以用于图像复原的其他领域,如:图像去噪、图像修复等。本文以基于神经网络的图像超分辨率复原的相关方法为研究线索,为进一步提高超分辨率图像的质量,并针对图像超分辨高频细节丢失和边缘模糊等问题进行研究,并提出相关有效的方法。本文主要研究内容如下:(1)针对一般的基于神经网络的图像超分辨率复原方法存在的学习能力不足、超分辨率重建的效果不理想,研究了一种密集多对多连接深度卷积神经网络的单幅图像超分辨率模型。该模型在特征提取阶段,对于不同层间的连接采用多对多的连接方式。有效地缓解了梯度消失的问题,同时增加了特征信息的传递。此外,在图像重构阶段采用了并行的、尺寸为1′1的卷积核,丰富了整个模型的非线性表示,从而提高了整个网络的表达能力。(2)针对现有模型恢复边缘细节的效果有限的问题,研究了一种多视野并行的卷积神经网络模型。该模型使用了不同尺寸卷积核(1′1、1′1、3′3),这样可以保证对于不同稀疏程度的图像都有相对较好的、更加可靠的感知领域。同时为了降低较大卷积核带来的运算量大的问题,本文将不同尺寸的卷积核置于平行的位置,让其并行运算,从而保证了其较快的运行速度。