对于各种图像处理任务而言，待处理图像质量的好坏直接决定了图像处理任务难度和完成效果。但是受限于图像采集的环境条件和硬件设备的成本，大部分图像的分辨率达不到后续图像处理任务的需求，此时，通过软件方法提高已有图像的分辨率就显得尤为重要。困难的是，由低分辨率图像预测高分辨率图像需要求解的是一个欠定方程，需要经过复杂的特征提取和变换过程，深度学习方法可以从大数据中学习复杂的特征提取变换方法，非常适合图像超分辨率重建任务，实验证明深度学习算法确实在图像超分辨率重建方面取得了很好的效果。本文针对现阶段超分辨领域的深度学习算法存在的缺陷进行研究，并取得了一系列的创新成果：

第一，针对超分辨卷积网络普遍存在的过拟合问题，设计了一种基于增强预测的正则化方法，提高了SRCNN(Super-Resolution Convolutional Neural Network)算法的精度，证实了超分辨卷积神经网络确实是存在过拟合的。

第二，对FSRCNN(Fast Super-Resolution Convolutional Neural Network)算法中网络的特征提取层进行改进，增加了模型的深度，可以得到更多更丰富的特征用于非线性变换，实验结果证明超分辨卷积网络的特征提取方式确实值得改进。

第三，基于密集连接结构设计了一种密集精简网络，在不损失精度的前提下，大幅度提高了图像超分辨率重建的运算速度，减少了模型的参数量，提高了超分辨卷积神经网络的实用价值。

第四，基于密集连接和残差结构设计了一种对偶态网络，加深了网络的深度，对低分辨率图像进行更复杂的特征变换，从而提高了超分辨率重建的精度。

针对基于深度学习的超分辨率重建算法存在的问题，本文进行了深入的理论和应用研究，对超分辨重建的精度和速度提升都提出了改进方法，对图像超分辨率重建算法的研究有一定的贡献。