高分辨率图像携带了丰富的细节和色彩信息,能够给医疗诊断、视频监控、文本识别等计算机视觉和图像处理任务带来方便。提高成像硬件设备的分辨率是获取高分辨率图像最直接和最主要的途径。然而,成像传感器中单个像元的尺寸接近极限,难以进一步提高。另外,受限于经济成本的约束,很多场合下还在使用低分辨率的成像设备。因此,为了摆脱硬件约束,使用数字图像处理技术来提高图像的分辨率是一种更经济的获取高分辨率图像的方式。目前,作为深度学习领域的一个热点研究模型,卷积神经网络已在图像识别、目标检测等领域取得了非常好的效果。为此,本文结合卷积神经网络模型,对超分辨率算法进行了研究,主要工作如下:首先,简单介绍了基于学习的卷积神经网络图像超分辨率算法的原理。该算法用卷积神经网络学习低分辨率图像与高分辨率图像之间的映射关系。通过训练,获取卷积神经网络各层的参数。实验结果表明,该算法具有很好的效果。其次,针对基于卷积神经网络的图像超分辨率算法所获得的重建图像存在局部边缘模糊的现象,本文提出了一种改进的卷积神经网络图像超分辨率算法。在训练阶段,该算法首先提取高、低分辨率图像的边缘信息,将边缘信息和图像的颜色信息组成新的特征作为卷积神经网络的输入。然后再按卷积神经网络的训练方法,获得高、低图像之间的映射关系。结果表明,重建图像的质量得到了进一步提高,图像模糊问题得到了改善。最后,给出了一种改进的卷积神经网络图像超分辨率方法。该方法在卷积神经网络中增加了一个循环层,在增加网络深度的同时,充分利用了图像的先验信息。同时,为了增强对于网络训练的约束,在基于卷积神经网络的超分辨率算法采用局部约束条件的基础上,本文又引入了全局重建约束限制。最后,实验结果证明了两种方案的有效性。