随着航天技术的快速发展和实际应用的推动,微纳卫星的发展取得了很大的进步。微纳卫星以体积小、重量轻、低功耗、开发周期短、较低的成本等优势,完成复杂空间试验任务,在国防、科研和商用等领域发挥着越来越重要的作用。由于微纳卫星硬件设备的限制,提升空间分辨率与硬件设备成为矛盾体。如何在有限的硬件设备上获取高分辨率的遥感图像成为科研工作者努力的方向。而图像超分辨率(Super Resolution,SR)重构是在不改变原有硬件设备的前提下,将一幅或多幅低分辨率图像,通过后处理的方式,即用信号处理或图像处理的方法,得到高分辨率图像的过程。传统重建算法常具有重构时间长、鲁棒性差等问题,而随着卷积神经网络应用于图像超分辨率重构,可以很好地避免这些问题的发生。现有的浅层结构卷积神经网络重建算法对于图像内容简单、约束性弱的数据具有较好的重构效果,但是当获取实际遥感图像时,图像内容结构复杂,现有网络模型就会暴露出表征能力欠缺的问题。因此为了得到针对遥感图像的重建模型,本文深入研究了基于卷积神经网络的遥感图像超分辨率重建算法。本论文的主要内容和创新点如下:(1)分析了单帧遥感图像超分辨率重构的可行性,同时说明了单帧超分辨率重构在遥感图像处理中的重要性。而后介绍了超分辨率重构,并且由此引出了卷积神经网络相关内容,通过相关理论知识,得出卷积神经网络算法在图像超分辨率重构中的优越性。(2)针对遥感图像提出基于卷积神经网络的超分辨率重构结构,该结构应用卷积神经网络端对端的图像超分辨率框架。网络结构中通过不同卷积核提取特征图,而后将这些特征图进行组合,再次进行非线性映射提取特征。这样做的好处是利用卷积核的多样性充分提取图像的特征。通过实验结果表明,本文提出的网络结构对单幅遥感图像重构质量较好,训练阶段的收敛速度也有所提高。重构后使用峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)和结构相似度(Structural Similarity Index,SSIM)对重构结果进行分析。(3)针对实际应用中获得重构结果及时性和便捷性的要求,开发基于PC端的超分辨率重构软件系统,并通过不同场景的遥感图像进行重构验证。