近年来,伴随全球化概念被广泛的应用,计算机技术得到了蓬勃发展,在众多的信息传递过程中,图像信息占有举足轻重的地位。由于不用场景中不同因素(如成本)限制,在视频监控,医学影像,遥感卫星等日常生活和特殊环境中获取的图像往往分辨率较低。而低分辨率图像中由于高频信息的缺失,无法清晰的分辨出图像的细节信息,因此使用信号处理和图像处理方法,将低分辨率图像转换为高分辨率图像的超分辨率重建技术被人们所重视,成为计算机视觉中重要课题之一。图像超分辨率算法的主要任务是重建高分辨率图像中的高频信息,这些信息能够清晰地描绘出图像细节,进而为目标识别、目标跟踪等众多计算机视觉领域任务提供清晰的图像来源,在医学影像、视频监控等领域均有重要的应用。近几年来,基于学习的超分辨率重建方法受到了广泛的重视,此方法通过大量的样本训练,寻找低分辨率图像和高分辨率图像中的映射关系,从而重建出高分辨率图像。深度学习作为学习算法中的一种,由于重建质量较高,无需手动提取特征等特点,逐渐成为研究热点,本文主要研究基于深度学习的超分辨率重建算法。(1)针对图像超分辨率重建的特点,利用卷积神经网络在图像处理方面的优势,改进残差网络结构,并与密集网络结构结合,构造出密集残差网络结构,每层卷积中在图像周边进行补0操作,使得卷积后图像尺寸不发生改变。(2)在密集残差网络基础上,结合循环网络,构建出循环残差密集网络,该网络结构中采用更多的残差层,以及更多的密集跳跃连接,充分利用网络层间特征图;网络中结合循环网络,进一步加深网络层数,并一定程度上减少了参数复杂度,从而重建出高分辨率图像。本文通过大量的公开数据集进行训练并验证,利用PSNR值和SSIM值对重建后图像进行评价,结果证实了网络在图像超分辨率重建中的有效性。两种算法重建后的图像在视觉上也具有良好的效果。