图像超分辨率重建是计算机视觉领域的研究热点,主要指利用一组低分辨率图像产生单幅高分辨率图像。图像超分辨率重建技术能够克服硬件设备获得高分辨率图像的种种不足,提高图像识别能力和识别精度,被广泛应用于军事、医学、公共安全、人脸识别等领域,具有广阔的发展前景。近年来,基于稀疏编码与基于生成对抗网络的图像超分辨重建算法被广泛应用,本文分别以上述两种方法为基础进行了改进与创新,主要工作如下。(1)阐述了图像超分辨率重建领域的研究背景与意义,对该领域的国内外研究现状进行了归纳总结,并详细介绍了稀疏编码与生成对抗网络的基本原理与基本理论知识,证实了稀疏编码与生成对抗网络在图像超分辨率重建领域的优越性。(2)针对模型的缩放灵活性差及重建图像存在不适定性的问题,以稀疏编码为基础,提出了基于稀疏编码网络的图像超分辨率重建模型。利用基于学习的快速迭代收缩阈值算法(LFISTA)实现了前馈神经网络,并使其严格对应于稀疏编码图像超分辨率重建过程中的每个步骤,同时稀疏编码的所有组成部分都可以通过反向传播进行联合训练。将多个稀疏编码网络进行级联,使模型适用于任意缩放因子,增加了模型的缩放灵活性。(3)为获得符合人类视觉系统的高分辨率图像,以生成对抗网络为基础,提出了基于条件生成对抗网络的图像超分辨率重建模型。将卷积神经网络与生成对抗网络相结合,对条件生成对抗网络中的生成器网络进行改进,并通过添加跳过连接的方法将不同网络层级的特征图像进行级联,判别器网络采用传统的VGG16网络模型。本文实验在Set5、Set14、Urban100、BSD100数据集上进行测试,并与多个超分辨率重建算法进行比较。实验结果显示,本文提出的两种重建算法在重建质量上有一定程度提升,并且基于条件生成对抗网络的重建算法能获得较好的主观视觉效果。