图像是人们感知信息的重要途径之一,其分辨率越高所包含的细节信息越丰富。随着科技的不断发展,人们对高分辨率图像的需求日益增强,但是由于诸多因素的影响,各类成像设备所捕获到的图像质量往往较低,因此为了更好的解决该问题,便产生了超分辨率重建技术。该技术主要是利用相关算法根据原始低分辨率图像重构出相应高分辨率图像的方法。近几年深度学习技术水平的提升使得超分技术取得了一个又一个传统算法无法比拟的突破性成果,因此本文基于当前主流网络模型,深入研究它们在重建过程中存在的部分问题,给出相应改进方案,进一步提升重建图像的质量水平。本文主要研究内容如下:(1)首先介绍了超分辨率重建的研究目的与意义以及当前的国内外研究现状,而后概述了本课题所涉及到的部分理论知识,并对超分辨率重建的相关经典算法进行了分类描述,其中重点介绍了基于学习的重建方式,同时简要概述其优缺点。为了便于不同算法的实验对比,本文还简要概述了图像的质量评价体系。(2)针对当前基于深度学习的图像超分辨率算法存在特征提取尺度单一和重建图像纹理模糊等问题,本文提出了一种基于多尺度递归网络的超分重建网络模型。该模型通过级联多个多尺度特征映射单元构成递归学习网络,每个映射单元由一组三种尺度的特征提取层、一个信息融合层以及一个特征映射层连接而成。网络直接将原始低分辨率图像作为数据输入,通过递归学习深入提取低分辨率图像的细节特征,得到相应的特征图,最后采用亚像素卷积的上采样方式重建高分辨率图像。实验结果显示,该网络取得了更好的超分辨率效果,主观上图像纹理清晰边缘锐利,在标准测试集上的客观数据指标也均高于现有的几种主流算法。(3)针对医学影像的分辨率提升问题,本文搭建了一种应用于CT图像的超分辨率重建网络模型,用以解决现有模型的结构和超分倍数单一性问题。借鉴残差网络思想,将全局残差学习与多尺度信息特征相结合,构造多尺度残差块,利用多个残差块依次学习低分辨率CT图像与高分辨率CT图像之间的残差特征,最后将残差特征图与输入的CT图像相融合,重构出所需的高分辨率图像。最终的实验结果表明,该网络重建的主观效果图能够更清晰地重构人体器官的细节特征,较高的客观数据指标也进一步论证了此模型的有效性,并且仅需一套参数即可同时支持多种倍数的图像放大更是在一定程度上提高了该算法的实用性。