随着科学技术的发展,人们对图像的分辨率要求越来越高。然而,由于成像设备的限制以及光学模糊、运动模糊、欠采样和噪声等因素的影响,人们往往很难获得理想的高分辨图像,因此,如何获得高分辨图像成为了计算机视觉领域中一个热门的话题。通过改进成像硬件来获取高分辨率图像的方法会使得成像费用剧增,因此更多的科研工作者开始关注通过对低分辨图像进行处理以获得高分辨图像的图像超分辨重建技术。从本质上讲超分辨的核心是寻找低分辨图像特征与高分辨图像特征间映射关系,实际中,常见的方法首先提取图像的某类特征,通过引入先验知识并求解一个优化问题来逼近两者之间的关系,忽略了特征与数据和超分辨任务之间的相关性。基于以上分析,我们将深度卷积网络引入图像超分辨重建,首先借助卷积网络提取面向光学图像和超分辨的任务的自适应特征,并利用了图像邻域结构相似性和人工神经网络集成理论,精确逼近低分辨图像与高分辨图像间的映射关系,主要工作包括:1、提出一种基于结构相似性和深度学习的图像超分辨重建方法。考虑到现有方法在重建过程中没有充分考虑到图像块的相似块中所包含的信息,本算法在网络的输入图像预处理阶段,通过将图像分割成小图像块,寻找每个图像块的相似图像块,并整合到一起,作为之后卷积神经网络的输入数据,最后通过卷积神经网络的训练获得高分辨图像,该方法在一定程度上克服了现有基于深度学习的超分辨重建算法在网络输入数据的邻域相似信息上存在的不足。2、提出一种基于集成思想和深度学习的图像超分辨重建方法。针对现有方法在通过卷积神经网络时,对于输入数据采集的信息单一的问题,该方法通过利用了人工神经网络集成理论,对于不同的输入数据,通过多个不同的卷积神经网络,得到多个对高分辨图像的不同预测结果,最后将多个预测结果整合到一起作为下一个卷积神经网络的输入数据,最终得到高分辨图像,该方法充分利用了人工神经网络的集成思想,有效地提高了图像超分辨重建的质量。综上所述,本文以信号处理、模式识别为研究基础,以深度学习为主要的技术,并结合了图像块结构相似性和人工神经网络集成理论,提出了两种有效的图像超分辨重建算法,很好的解决了现有方法的不足,在重建的高分辨图像的边缘信息以及纹理信息上取得了一定的进步。