随着深度学习的成功应用,计算机视觉领域也有了飞跃性发展。超分辨率技术（Super Resolution,SR）是计算机视觉领域下的一个分支,目标是能够从一张或多张低分辨率图像重构出高分辨率图像,使图像纹理更加清晰、视觉效果更加自然并符合人的视觉感受。目前超分辨率技术已被成功地应用于交通监测、卫星遥感、图像识别与目标跟踪等诸多领域中。本文在基于生成对抗网络的模型上进行改进,设计了一个能将图像分类训练,然后将图像分类重构的多模型超分辨率框架。该多模型超分辨率框架在保持图像重构质量的前提下,大幅减少模型训练时间以及图像重构时间,而且框架所训练的多个模型能有效处理各种类型的图像。本文主要工作如下:（1）研究了模型深度及其重构效果之间的关系。我们分别使用已经训练好的ESRGAN的6个不同深度的模型,来对100张图像测试并测量图像的感知质量PI值。我们发现,在ESRGAN的6个不同深度的模型里,17张图像在浅深度的模型中有最好重构效果,27张图像在中深度的模型中拥有最佳的图像重构效果,24张图像在高深度的模型中拥有最好重构效果。所以我们得出结论,并非模型越深其重构效果就越好,使用浅深度模型也能达到较好的图像重构效果。（2）基于TVAT标准以及使用Sobel算子的图像预分类在深度学习之中,网络中层数较浅的部分主要是提取图像的简单特征如纹理、颜色、边缘等;而层数较深的部分则提取图像深层次的特征,利用该特点,图像识别和图像分类的准确率会更高。因此我们设计了基于TVAT标准以及使用Sobel算子的图像预分类器,该预分类器可以就图像内容复杂程度将图像分为简单、中等和复杂三类,准确率达71%,而且时间开销很低。（3）设计了多模型超分辨率框架我们设计的多模型超分辨率框架使用了图像分类训练,图像分类重构的策略。图像预分类器将图像分为简单、中等、复杂三类,简单类别的图像使用浅深度的模型进行训练和重构,中等类别的图像使用中等深度的模型进行训练和重构,复杂类别的图像使用高深度的模型进行训练和重构。相比于ESRGAN,MMSR在保持图像重构质量的情况下平均训练时间节省了22.68%,重构时间节省了36.41%。