随着科技的发展,图像信息作为最重要的信息之一,在生产生活中具有不可替代的意义。图像的分辨率通常用来反映图像的清晰程度,但是在部分条件下,无法获取到分辨率较高的图像,但可以使用超分辨率技术重建出高分辨率的图像。单图像超分辨率的目的是从单个低分辨率图像中重建出与其相对应的高分辨率图像,超分辨率已经广泛用于卫星成像、医学影像处理、安全监控、图像增强和图像压缩等领域。基于深度学习的超分辨率重建是当前研究的热点,同时也取得了很好的重建效果,越好的超分辨率重建效果通常需要使用庞大的网络模型,但是同时也带来了算法复杂度和存储网络模型的存储空间也急剧增加的问题,在诸如嵌入式设备、移动设备这样存在计算、体积、功耗等方面受限的设备,无法有效地使用规模庞大的网络模型。本文研究如何以较小规模的神经网络实现良好的超分辨率效果,以便于在低功耗、低计算力的嵌入式设备或移动设备部署超分辨率模型。本文的主要研究内容如下:（1）本文创新地将知识蒸馏的相关思想应用在超分辨率问题中,通过一个网络浅、参数少的超分辨率学生网络去学习一个网络深、参数多的超分辨率教师网络的知识,在不改变学生网络的参数量和网络结构的前提下,达到提升学生网络的超分辨率重建效果的目的。本文基于轻量级网络Mobile Nets提出超分辨率学生网络模型,使它可以有效地在资源受限的设备中高效运行。通过使用峰值信噪比和结构相似性作为评价指标,比较了多种不同的提取知识的方法,从中选择了效果最优的方法。在低分辨率图像放大3倍时,使用知识蒸馏的学生网络与不使用知识蒸馏的学生网络相比,在四个测试集的峰值信噪比提升量分别为0.53d B、0.37d B、0.24d B和0.45d B,学生网络的运算时间和内存消耗也不会增加。（2）学生网络并不能完全学习到教师网络的知识,因此,学生网络的重建效果与教师网络的重建效果依旧有一定的差距。上述研究关注峰值信噪比和结构相似性作为评价指标,所以使用像素级的损失函数,造成重建的超分辨率图像的纹理细节信息较少。针对这个问题,在上述研究的基础上,对由知识蒸馏方法确定参数的学生网络使用生成对抗网络训练,进一步提升轻量级网络的超分辨率重建效果,使重建的图像更符合人眼的主观感受。实验结果表明,这种方法能够在学生网络上进一步有效提升超分辨率重建的视觉效果。