信息交替的快速发展时代,图像作为主要的传播学信息载体被适用于各个被公众熟知且必需的场景,如医疗军事领域、卫星监测领域、数字媒体等众多领域都对图像质量提出了更高的要求。一般的低分辨率图像难以被大众接受,人们需要更丰富更多彩的图像来满足视觉上的享受。因此,图像处理和计算机视觉领域成为超分辨率(Super-Resolution,SR)重建技术的重要应用范畴。近些年来,深度学习技术在众多领域获得突破性进展,卷积神经网络和生成对抗网络在图像重建方面的效果十分显著。因此,本论文结合深度学习理论,提出基于基线的卷积神经网络图像超分辨率算法和基于条件的生成对抗网络的图像超分辨率算法。主要工作内容如下:1、提出了基于基线的卷积神经网络图像超分辨率算法。结合卷积神经网络模型和残差网络结构的特点,本文提出一种新的深度网络结构进行图像超分辨率重建。基本思想为采用四个SRCNN作为基本结构,搭建两个连续的残差学习网络,利用残差网络来学习一般传统图像超分辨率方法无法恢复的高频剩余分量。相比于传统的重建方法,该方法在一定程度上解决了卷积神经网络的图像超分辨率方法鲁棒性能差、网络参数复杂、重建后细节纹理不清晰等问题,在结构相似性和峰值信噪比两个客观评价指标上有明显的提高,可以复原出更多的图像细节信息。2、提出了基于条件生成对抗网络的图像超分辨率算法。基本思想为利用生成对抗网络的结构特点,首先由生成器生成“伪造”数据样本,然后经判别器判别该生成样本的真伪性,当生成器生成的样本与真实样本基本一致时,判别器就会信以为真,最后完成生成对抗网络的训练。将该算法与传统的图像超分辨率算法进行比较,实验结果表明,该算法在峰值信噪比、结构相似性上没有显著提高,但由于判别器实质为鉴别器,只关乎输入样本的真实性,因此在主观视觉方面,生成器生成的“伪造”数据样本,使得该算法重建效果更具真实感。