图像超分辨率和图像去噪在数字图像修复中备受关注,在计算机视觉中更是被广泛应用,例如小区安防、卫星地图等。这俩类问题实际都属于对存在问题的图片进行修复,从而使得图片具有更清晰的纹理信息,便于人们观察和分析。图像超分辨率是将低分辨率图上升到高分辨率图的过程,而图像去噪是为了去除原本不属于图片上的噪声,因而也使得两者存在着本质上的区别。在处理这两类问题时,往往需要使用不同的修复算法。在传统的方法中,针对图像修复问题的算法有很多,但是它们在效果上并不是很理想。即使有较好的表现,在修复单张图片时也需要花费大量的时间。近年来,深度卷积神经网络在现代数字图像处理相关算法中取得了突破性进展。例如在图像分类、目标检测等一系列具有高难度挑战的问题上,深度卷积神经网络相比于传统算法取得了卓越的表现,这得益于深度卷积神经网络具有极好的自我学习能力。深度卷积神经网络通过大量训练样本进行学习,获取图像内部的相关信息,再利用这些信息实现特定功能。在图像修复问题上,深度卷积神经网络同样具有卓越的表现。本论文针对图像超分辨率和图像去噪两个图像修复问题进行展开,主要工作包括:(1)针对图像超分辨率,提出了一个新型级联深度卷积神经网络模型。为了提高网络模型的表现,通过对卷积层进行分析和改进,提出了多尺度特征映射的网络结构来替换原始的卷积层。这种多尺度特征映射的结构使网络能够在同一层卷积层中使用多个不同尺寸的卷积核。除此外,该模型还使用了残差学习、网络级联和并联等策略。所提出的单一网络模型具有修复多个不同放大因子的图像超分辨的能力。文中对该网络模型做了详细的性能分析,并通过大量的实验进行验证。(2)设计了一个深度卷积神经网络模型应用于图像去噪。因为噪声往往包含更少的信息量,所以设计的网络模型具有从噪声污染图像中直接分离出噪声Mask的能力。这样,只需要将受到噪声污染的图像减去网络输出的噪声Mask即可达到去噪目的。论文设计的网络模型同样具有单一模型去除不同等级噪声的能力,即只需要一个网络模型就能同时修复多种不同噪声等级污染的情况。在训练过程中,我们采用不固定噪声分布的方式对训练数据添加噪声。实验结果表明,设计的网络模型相对比与其他算法具有更好去噪性能。