图像超分辨率重建技术作为计算机视觉领域的重要研究课题之一,目的是从一幅或多幅低分辨率图像中重建出高分辨率图像,目前已被广泛应用于医学诊断、视频监控和天文观测等领域。近几年,深度学习的兴起促进了计算机视觉领域的发展,基于深度学习的图像超分辨率重建方法也逐渐成为了研究的热点。因此,本文主要对基于深度学习的超分辨率重建方法进行了研究与改进。本文针对现有的超分辨率重建模型只能提取单一尺度特征且不能很好地恢复纹理细节等问题,提出了一种基于多尺度特征融合的图像超分辨率重建方法。首先通过双三次插值法对低分辨率图像进行放大,在深度卷积神经网络模型中通过多尺度特征融合模块提取图像中不同尺度的信息,随后级联多个多尺度特征融合模块使模型可以到学习更深层次的特征。模型使用残差学习的方法来解决训练困难的问题,在训练过程中使用了学习率衰减来解决训练速度和损失之间的矛盾。实验结果表明,与其他图像超分辨率重建方法相比,提出的模型在客观评价指标和视觉感受上均有明显的改善。为了进一步提高图像的重建速度,本文又提出了一种基于残差密集网络的图像超分辨率重建方法。残差密集网络模型中包含多个残差密集块,这些残差密集块能充分提取低分辨率图像的局部特征。为了稳定模型的训练,在残差密集块内使用了局部特征融合与局部残差学习方法。模型最后使用亚像素卷积层来完成上采样,由于不需要进行双三次插值操作,所以可以直接将低分辨率图像作为输入。实验结果表明,提出的模型能有效地提高图像的重建速度。