遥感图像的研究与应用已成为一项越来越具有现实价值的课题,尤其高质量的遥感图像,拥有越来越令人瞩目的实用性能,表现为高分辨率、高解析度、低噪声等,已经被广泛地应用于资源调查、环境监测、城市规划、军事国防等多个领域,因此遥感图像质量的提升方法研究具有较高的学术价值和应用空间。然而通过提高获取遥感图像的硬件性能,从而直接实现提升遥感图像质量的方法需要投入昂贵的成本、高精尖技术,以及耗费大量的时间,因此,探寻更加经济、简便和高效的遥感图像质量提升方法,成为遥感应用领域的一个新兴的研究热点和挑战。面对这一挑战,本文尝试将图像超分辨率重建处理技术引入遥感图像处理领域,通过计算机算法,选择合适的单幅超分辨率重建方法重建低质量的遥感图像,获取理想化的高分辨率图像,从而实现了提高其质量的目的。本文循序渐进地介绍了多种图像超分辨率重建方法模型,并详细分析其对自然光学遥感图像重建的适用性,其中,着重探讨并对比了几种现有的基于深度学习的图像超分辨率重建方法及其对于单幅遥感图像的重建效果,同时提出了一种能够较好地适用于遥感图像超分辨率重建的残差对偶回归网络（Residual Dual Regression Network,RDRN）模型,旨在为后续遥感图像质量提升研究和应用提供理论与技术方向。RDRN网络模型基于对偶回归网络（Dual Regression Networks,DRN）,结合残差通道注意力网络（Residual Channel Attention Network,RCAN）的二次残差（Residual in Residual,RIR）模块,采用周期一致性损失函数,主要实现了:（1）不仅可以使用人工合成的高-低分辨率遥感图像对作为训练集,还可以利用现实中真实的不成对的高、低分辨率遥感图像进行训练,提高了数据利用率的同时使训练所得的模型更符合实际应用;（2）获取高、低分辨率遥感图像间的映射关系时,在引入额外约束的条件下对高分辨率遥感图像的下采样核进行估计,以缩小可能函数的映射空间,从而找到一个从低分辨率遥感图像到高分辨率遥感图像的良好映射;（3）除了学习从低分辨率图像到高分辨率图像的正向映射关系外,还使用对偶回归网络,同时学习从高分辨率图像到低分辨率图像的逆映射,将其与原低分辨率遥感图像进行对比后的量化差异反馈给正向网络,从而进一步优化网络模型,获得更理想的重建效果;（4）与现有的基于深度学习的图像超分辨率模型进行对比,该网络模型利用更浅的网络实现了更高质量的重建效果,同时对真实自然的光学遥感图像表现出较好的泛化能力。另外,本文还在Land Cover.ai光学遥感数据集和DIOR航空与遥感图像数据集中选择了约20000幅512×512像素大小的图片作为样本数据集,用以训练与测试网络模型,并将重建成果和现已被证实拥有较好图像重建效果的其他图像分辨率重建网络模型的重建结果进行比较和评价。结果表明,RDRN模型在重建质量和模型参数量两个方面均表现优异,能够在较低模型复杂度的情况下实现较好的超分重建效果,且对不同类型的低分辨率遥感图像具有较好的泛化能力。证明了本文提出的对偶残差学习的结构可以增强重建模型的学习能力,能够学习更加丰富的图像深层特征,有效的避免了现有方法中的一些问题;同时对于光学遥感图像重建,RDRN模型取得了较为理想的重建效果,重建后的遥感图像具有较高的空间分辨率,拥有更丰富的信息以供解译,能够实现在一定范围内放大的同时不产生模糊、地物层次更加分明,为提升遥感图像质量的提供了新的思路和途径。