在实际应用过程中,由于硬件设备的限制和图像信息传输过程中会受到干扰影响,使得人们难以获得更多的图像细节。通过软件算法可以有效地将低分辨率图像重建成高分辨率图像,提升信息准确度,有利于众多领域的发展和进步。本文针对基于深度学习图像超分辨率重建技术深入的探索和研究,本文研究内容如下:大多数的深度学习重建模型都忽略了充分利用每个卷积层的特征信息,导致关键信息丢失的问题,因此本文提出了全局残差块递归网络。首先引入高密度的残差学习和局部特征融合建立高性能的全局残差块。然后通过全局残差块特征融合和全局残差学习,建立残差块与残差块之间的信息交互,有利于获得图像更完整的上下文特征信息。但是这种网络层数太深,容易导致网络训练变得困难,从而降低网络的重建性能。为了解决这个问题,此网络采用压缩层(Shrinking)去除网络模型冗余的参数,从而提升训练效率。最后实验结果表明,全局残差递归网络的重建性能高于很多先进的单尺度图像重建算法。针对单尺度提取图像特征的网络模型,都忽略了不同尺度之间的特征信息。很容易导致在映射阶段丢失很多的有效信息,针对这个问题本文提出一种基于多尺度残差融合深度网络应用于图像超分辨率任务。通过建立多尺度特征提取、多尺度通道融合和高性能的递归映射层,使网络适应于不同尺度大小的深层重建网络。实验表明,本文生成的两种多尺度重建网络模型可以很大程度地提升网络的重建性能。