随着信息时代的到来,图像作为最主要的信息载体,在各个领域都不可或缺。但受成像系统的硬件限制以及外界条件的影响,一般情况下只能得到低分辨率图像,而高分辨率的图像在医疗图像,数字电视,卫星成像等方面都有很高的需求。单图像的超分辨率(single-image super-resolution,SISR)重建是一个定义明确的计算机视觉问题,其旨在通过单张低分辨率图像恢复其高分辨率图像。近年来的研究表明,基于深度学习的图像超分辨率方法可以显著提升重建的性能,特别是残差结构和稠密结构的出现,使得深度神经网络的训练更加稳定。其中,残差结构传递的是残差,稠密结构传递的是特征图,其意义都在于改善网络梯度流通和信息的交流。因此,基于深度残差或深度稠密结构的SISR方法,使用极深的网络结构,都获取到了极大的效果突破。本文使用高阶循环神经网络将残差结构和稠密结构从理论上联系到了一起,并从数学的角度,分析其残差和稠密结构在特征提取上的有效性,证明了这两种结构各有优缺点,残差结构侧重于特征的复用,而稠密结构侧重于新特征的探索。为了加强深度神经网络的特征提取功能,结合这两种结构的优势,本文以模块化的结构,设计了一种结合残差和稠密通道,将特征图在第三维度上进行切割,一个通道以残差的形式传递,另一个通道以稠密的形式传递。同时,网络引入解卷积层进行特征放大,有效的将网络的计算量降低了4倍左右。基于此,针对SISR任务,本文提出了一个60层的双通道图像超分辨率网络(dual path network for single image super resolution,DPSR)。同时,为了将网络训练到最优,本文在数据集,损失函数,激活函数,优化算法等方面进行了最优探索选择。本文使用最常用的图像质量评价指标峰值信噪比(peak signal-to-noise ratio,PSNR)和结构相似性(Structural Similarity,SSIM),与近年来的其它SISR方法在四个国际通用标准数据集上进行了对比,并在相同的实验条件下,复现了其中三种先进的网络结构模型来进行图像细节对比放大实验。实验结果表明,本文所提出的DPSR网络得到的重建图片,更加接近于原图,对纹理的重建性能更好。在Set5测试集上,PSNR相对于其它深度学习的方法得到了大约0.1dB～1.6dB的提高,相对于传统的非深度学习的方法得到了3.7dB的提高。并且,在所有的测试集中,DPSR网络都得到了更好的PSNR和SSIM性能指标。因此,本文提出的DPSR网络能够结合两种通道的优势,增强网络特征提取能力,并取得了最佳的图像超分辨率性能。