图像分辨率是衡量图像信息量的重要指标,分辨率越高表明图像所包含的信息越丰富。超分辨率重建算法是一种提高图像分辨率的技术,其可以将给定的低分辨率图像上采样到高分辨率图像。与改良硬件设备相比,图像超分辨率技术有低成本、高灵活性等优点,应用场景非常广泛。目前超分辨率卷积神经网络已经取得了显著成功,但是大部分网络有计算复杂度高和重建速度慢等缺点,缺乏实用性。针对这个问题,本文提出了轻量化的超分辨率卷积神经网络并将算法部署到实际应用中。本文的主要工作内容与创新点如下:(1)提出了一种双分支超分辨率重建网络的算法。网络的特征提取部分由两个具有不同感受野大小的分支构成,这种结构可以混合全局特征与局部特征,提高多尺度能力。上采样部分使用了反卷积操作,可以避免大尺寸的特征图运算,减少了计算复杂度。通过引入了残差学习结构,网络训练难度得到极大缓解,重建效果也有显著提高。在多个标准数据集上的实验证明,本文算法与其他主流方法相比具有实用性,以B100数据集为例,本文算法4倍超分辨率的PSNR指标比VDSR方法高0.06d B,速度快32fps。(2)设计并实现了一个超分辨率系统,系统搭载了本文算法经过训练后的超分辨率模型。将系统与广东省计算机网络重点实验室开发的企业级云盘进行结合,提供远程图像处理能力。(3)开发了一个UWP客户端,客户端既支持云盘文件管理功能也提供了对云盘图像进行超分辨率重建的入口,节约了用户部署本地超分辨率系统的成本。