在许多数字图像的应用领域,高分辨率图像往往是人们所期望得到的。尽管图像传感器已被广泛使用来捕获数字图像,但是随着分辨率要求的逐渐提高,当前的电子元件无论是在价格还是在功能上都渐渐不能满足未来的需要。所以,探索一种能提升数字图像分辨率的方法是十分必要的。图像超分辨率重建正是一种能增强数字图像分辨率的方法,其目的是要从一幅低分辨率图像中重建或恢复出其对应的高分辨率图像,由于多个不同的高分辨率图像经过降采样而生成的低分辨率图像可能相同,图像超分辨率重建问题本质上是一个典型的一对多的不适定问题。这项工作由于其价值和难度在计算机视觉和图像处理领域受到了的广泛关注并且有一系列的重要应用。一直以来,计算机视觉所研究的问题被分为高低两个层次。高层次的问题偏向于对图像的理解,其中的典型包括了图像识别、语义分割、目标检测等,而低层级的问题偏向于对图像的处理,其中的典型包括了图像去噪、图像去模糊、图像修补、超分辨率重建以及压缩图像恢复等。尽管近年来,图像超分辨率重建凭借深度神经网络取得了突破性的进展,但是图像超分辨率重建依然是被视作为一个计算机视觉的低层级问题,其弊端在于忽视了某些高层级信息,而这些信息能作为处理低层级图像问题的补充或者约束。本文针对以上的问题,将图像超分辨率重建这一计算机视觉的低层级问题与作为高层级问题的图像语义分割结合起来,提出了一个基于语义分割的图像超分辨率重建框架,此框架由语义分割网络和级联重建网络串联而成,语义分割网络提取待重建图片的语义特征图和语义布局图,级联重建网络则利用语义布局图和语义特征图进行超分辨率重建。在此基础上,本文通过研究并调整感知损失中的损失权重,使级联重建网络在重建出的结果上更具有视觉说服力和真实感。本文通过实验探索了语义分割网络对级联重建网络产生的影响以及损失函数对超分辨率重建结果的影响,并将超分辨率重建结果与数种对比算法的重建结果进行了比较。经过实验测试后,本文的方法在维持了PSNR等客观指标不变的情况下,在平均主观意见得分这一指标上比超分辨率生成对抗网络平均高出0.16,证实了对于大的缩放因子,使用本文的方法重建出的结果比对比算法的重建结果更具有视觉说服力和真实感。