在实际应用中,图像是最重要的信息载体之一。随着对图像质量的要求日益增加,获得质量更好的高分辨率图像日渐成为研究重点。改善硬件设备是提高图像分辨率最直接的方法,但这会引起成本增多、耗费巨大等问题,且某些场合即使改善设备也无法满足需求。因此,利用图像超分辨重建提高图像分辨率的方法成为有效的选择之一,它成本低廉、简洁方便、效果良好且适用范围广。本文主要研究基于深度学习的图像超分辨重建,研究了两种改进的图像超分辨重建方法,并将其应用在PCB焊接质量检测上。首先,针对目前图像超分辨重建方法训练速度慢,不能充分利用低分辨率输入图像信息的问题,本文研究了一种基于多频段卷积神经网络的图像超分辨重建方法。此方法采用残差学习思想,利用低分辨率输入图像,并结合低分辨率特征空间中的图像信息,经过不同的通路生成低、中、高频段信息,最后使用相同的重建层得到高分辨率图像。该方法不仅训练速度快,且能够充分利用图像信息,可重建出分辨率更高的图像。其次,虽然基于多频段卷积神经网络的图像超分辨重建方法训练速度快,重建效果好,但因为其结构简单,依然不能充分重建图像细节。针对这些问题,本文在其基础上研究了一种基于记忆迁移的多频段深度卷积网络超分辨重建方法。记忆迁移的概念由残差模块衍生而来,整个网络是在局部和全局上运用了残差概念,并构成局部和全局的多频段学习结构,形成了一种全新的深度卷积神经网络。此方法充分利用图像信息,重建效果好,效率高。最后,本文针对网络训练的参数设置问题,分别对其进行参数分析。另外,本文将研究的两种图像超分辨重建方法应用在PCB焊接质量检测上,明显提高了PCB图像的分辨率,有利于PCB焊接质量检测技术。实验证明,本文研究的两种图像超分辨重建方法相比于其他具有代表性的方法更能重建出质量好的高分辨率图像,并提高了客观评价指标和视觉效果。另外,在PCB图像的应用中,文中研究的两种方法也明显提高了图像质量,有利于检测系统中图像处理的下一步操作。