图像在人类信息交流日渐频繁的今天扮演着高效信息传递者的角色,而高质量图像包含了更多更丰富的信息,能够满足人们对于更高效信息交流的需求。但是带来了硬件设备老旧引起的难以获取、传输和应用高质量图像等问题,因此需要一种通过算法得到高分辨率图像的技术。超分辨率重建技术无需更换高质量成像设备,仅使用深度学习模型通过低分辨图像计算得到分辨率更高、细节更丰富、轮廓更清晰的高质量图像,既满足了人类对高质量图片的需求,也不会额外增加经济成本,因此得到了学者和业界的广泛关注。因此,本文将研究改进的重点安排在基于深度学习的图像超分辨率重建算法。本文围绕使用深度学习的神经网络在超分辨重建问题进行研究,针对传统网络模型无法充分利用深层特征和浅层特征,不能在训练中有效保存长期序列中的信息,影响重建图片质量等问题。改进了一种基于循环嵌入沙漏网络的超分辨率重建架构,其将门限循环单元嵌入到沙漏网络中进行特征提取,利用沙漏网络可以高效的融合深层特征与浅层特征和门限循环单元可以保存长期序列中信息的特点,自主迭代保存高、低分辨率图像之间存在的对重建高分辨率图像有很大增益的非线性映射关系,保持学习中图像特征信息的完整性。实验结果表明,该算法重建的图像能够有效地去除伪影,提升主观视觉上的感受,与其他方法相比峰值信噪比值平均提高了0.20,结构相似性值提高了0.023。针对网络模型单一、重建图像细节纹理模糊等问题,本文改进了一种基于多通道合并卷积的超分辨率重建神经网络架构,通过建立不同的子网解决网络模型单一的问题,其中包括将深层特征与浅层特征融合的沙漏子网,保存网络长期相关性的门限循环子网,和具有不同卷积核的多尺度卷积子网。将原始图像扩充通道后分别输入到这三个子网络中,通过合并子网的特征通道扩充模型,通过跳跃连接收集底层像素特征。在模型最后中进行亚像素卷积,生成高分辨率图像。通过实验结证明,本章方法优于传统方法,与第三章方法相比峰值信噪比值平均提高了0.13,结构相似性值提高了0.012。