图像的超分辨率重建(Super-resolution,SR)是图像处理领域中,一种用来提高视觉效果和重建图像高频信息的重要技术。最近年来,由于深度学习在该技术中的广泛应用,图像重建技术也再次成为了研究热点,而卷积神经网络(Convolutional Neural network,CNN)又是深度学习中最流行的方法,从目前的研究来看,出现了众多以改进CNN模型为基础的图像重建算法,例如:基于极深度网络的SRCNN算法,基于整合先验知识的SRCNN算法、基于条件对抗的SRCNN算法及基于SRDNN的算法等,这些方法都有效的解决了图像重建中遇到的各类问题,并在实验中取得了较好的效。本文研究的主要内容仍然以CNN为基础,将图像的超分辨率重建作为应用背景,针对网络中映射函数容易出现过拟合、损失函数收敛性不足及网络深度不够等问题,结合现有的视觉识别算法和深度学习理论提出了两种改进模型:(1)提出了一种改进激活函数和梯度下降法的SRCNN算法。在图像重建的过程中,原始图像中的每个像素点都会对高分辨率图像重建效果产生一定的影响,常用的激活函数因自身局限性,会对部分像素点进行忽略处理或不能有的效特征提取,进而导致重建效果不理想。本文首先提出了使用RReLUs和Softplus函数结合的形式作为激活函数,提高了激活单元的学习和映射能力,并有效改善了过拟合问题,其次针对梯度下降法容易陷入局部最优解和收敛速度较慢的问题,提出了一种采用附加修正系数的二次GDO方法,加快了收敛速度,并避免了梯度弥散现象。(2)提出了一种基于由卷积和反卷积神经网络构成的深度复合SRCNN算法。我们首先使用卷积网络(前馈网络)对低分辨率图像特征进行提取,然后使用与卷积网络对称的反卷积网络(反馈网络)对图像特征进行重建。复合网络模型同时具备两种网络的优点,不仅对图像特征信息有着较强的学习能力,而且可快速依据每层学到的特征信息重建图像。为了更好地加强复合模型的训练,本文重新定义了网络的损失函数,并引入加权Fisher准则的理论,使得复合模型对样本种类复杂的图像集,可进行无序无类别的训练,提升了复合模型的鲁棒性和容错能力。最后,通过实验验证本文所提出的两种算法性能,并在Set5、Set14、image Net、Urban100和BSD100图像样本数据集上与其他算法进行对比分析,实验结果证明,本文所提出的算法在主观视觉效果和客观评价指标上都获得了显著提升。