在日常生活中，图像信息是人们获取外界信息方式的重要组成部分，而图像的分辨率又极大的影响着图像质量的好坏，如何获取高分辨率的图像显得至关重要。但在实际应用场景中，由于采集图像的过程受成像系统与成像环境等诸多因素限制，获取理想高分辨率(HR，HighResolution)图像有时存在一些困难，而单方面提升图像采集设备的质量虽然能一定程度的缓解这类问题，但提升硬件不仅成本高昂，而且在一些特定的环境下能以实现，于是图像超分辨率(SR，Super-Resolution)重建技术应运而生。SR技术由于其成本低廉，效果明显而备受关注，该技术经过不断的发展，已广泛应用于众多领域，包括医学图像设备、人工智能领域、道路视频监控、遥感图像检测等。近年来，由于深度学习的飞速发展和高性能图像处理工具的产生，图像超分辨重建任务有了新的发展潜力，该领域的相关研究也取得了重大突破。随着基于卷积神经网络的图像超分辨重建算法不断被提出，如何进一步提升卷积神经网络的学习效率，设计更为有效的网络结构，从而进一步提升图像超分辨重建的效果值得研究。
　　文章首先介绍了当前具有代表性的基于深度学习的图像超分辨重建算法，充分分析了其网络结构和运算过程，针对现有算法中存在的问题和不足，提出了改进思路，进而提出一种基于深度残差网络结合多特征融合的图像超分辨重建算法。该算法针对现有算法网络结构中各卷积层简单串联的问题，在引入残差结构的同时，多次数多维度的融合各卷积层学习到的图像特征，不仅缓解了梯度消失/爆炸的问题，同时提升了训练网络的学习能力，最终取得了更优的重建效果。
　　虽然提出的基于深度残差网络结合多特征融合的图像超分辨重建算法能够有效地提升图像的重建效果，但其算法仍旧存在应用场景单一和卷积层效率较低的问题。本文针对这些问题，进一步提出了一种基于多退化模型下双密集连接网络的图像超分辨重建算法，该算法分析了多种图像退化模型，同时也借鉴了密集连接网络的结构优势，针对之前算法中各卷积层利用率不高的问题，以全局和局部的密集连接方式，结合残差学习策略，构建了一种对图像特征学习效率极高的网络结构，该结构旨在最大程度的利用每层卷积学习到的图像特征和细节，提升网络性能，重建出更为逼真的高分辨图像。