在我们的社会生活中,图像是最为普及的一种信息载体。然而在生成图像的过程中,受到外界退化因素的影响,最终获得的图像往往不能满足人们的要求,这对人们认识世界,了解社会规律造成了阻碍。而对于如何改善图像质量,提高图像的清晰度就变成了一个图像处理领域的一个课题。图像超分辨技术因此而生,并成功应用到计算机图像视觉、医学、交通和人脸识别等领域,受到了各界的关注。而对于进行超分辨的手段来说,基于硬件技术生成高精度图像成本偏高,因而有效的超分辨技术手段是基于软件来生成高分图像。特别的,基于学习的图像超分辨技术则是图像复原领域中的一个热点。随着大数据时代的到来,受益于可用计算力与数据量的增加,由Hinton教授于06年提出的深度学习概念得到了极大的发展。深度学习是目前最接近人思考方式的一种智能学习方法,它通过模仿人脑的来构建网络模型,能够发现高维数据的复杂结构特点,在图像领域有令人惊讶的表现,并且在许多领域完胜其他机器学习技术。鉴于深度学习在各大领域取得的成就,所以将深度学习引入图像超分辨中。本文提出了两种基于深度学习的图像超分辨算法,主要工作内容如下:(1)提出了一种基于多层感知机的图像超分辨算法。利用多层感知机的深度结构,识别高维的图像特征,从而建立超分辨模型。在时间的效率上来说,训练后的深度神经网络进行超分辨的时间远远低于一般的算法,具有良好的时间效率。对于图像恢复的效果来说,得益于大数据与计算力的增加,使得网络可以一直进行训练,时间越长,数据集越大,其效果会越好。网络训练完之后,我们将图片放入网络中进行超分辨,最终得到一个超分辨的图像。实验结果表明,基于多层感知机的图像超分辨算法取得了较好的图像超分辨效果。(2)提出了一种基于卷积神经网络的图像超分辨算法。卷积网络与多层感知机都是一种前馈深度神经网络。其感受野(即权值共享)的概念大大减少了网络的参数,降低了模型的复杂度。算法采用三层卷积对图像进行处理,不采用池化层,通过网络所得的图像子块在MATLAB中进行叠加,然后与权值矩阵进行点除法处理,最终得到的图像即为超分辨图像。最后,对得到的超分辨图像进行实验效果分析,并且针对网络的参数进行网络性能影响因子分析。实验结果表明,基于CNN的图像超分辨算法取得了良好的超分辨效果。