图像作为信息传递的一个载体,在日常生活中起着不可或缺的作用,待处理图像质量的高低直接决定了图像处理任务的完成效率和难度。图像分辨率表征了图像或显示设备对纹理信息的表达能力,图像细节信息越丰富,分辨率越高,图像质量越好。受硬件装备成本和采集环境多变的影响,部分图像的质量满足不了图像处理任务的要求。因而,使用软件算法重建超分辨率已成为目前计算机视觉和图像处理领域的研究热点之一,该技术致力于从低分辨率图像中高效快速的重建出高分辨率图像。随着人工智能技术的快速发展和计算机性能的提升,基于卷积神经网络的超分辨率重建算法应运而生。包括邻域嵌入、稀疏编码在内的诸多传统方法充分利用理论知识,在超分辨率重建领域展现了强大的性能,但传统方法不能有效利用标准数据集模拟图像退化和重建过程,充分利用先验知识的深度学习方法从而成为主流。本文主要工作如下:(1)针对现有方法趋向于使用越来越深的网络,造成计算成本过大、浅层信息丢失和训练时间过长等问题,本文使用级联残差网络,通过多级表示和快捷连接将低层特征快速传播到高层。同时对残差网络进行改进,去掉批归一化,节约计算资源,并使用较小卷积核扩展通道数,允许更多低层信息通过。最后使用低秩卷积提取特征,减少参数。在提升训练速度的前提下,保证了重建图像的质量。(2)现有基于深度学习的超分辨率重建方法基本都是有监督的,使用标准数据集,在降质因素已知情况之下训练,可能导致图像过于光滑,缺少纹理细节,且在成像条件未知情况下训练效果不好。为此,本文提出一种无监督超分辨率方法,利用内部图像交叉熵损失比外部图像小这一特性,仅使用简单卷积神经网络对输入图像自身进行训练,不需要使用深层网络对标准数据集进行预训练。针对单一损失函数追求数据结果、忽视人眼感知这一问题,使用复合损失函数,兼顾视觉效果与数据评估。在消耗计算资源有限的情况下,本文模型取得了很好的效果。