图像超分辨率重建（Super Resolution,SR）是图像处理领域中的一个重要研究方向,其目的是在低分辨率图像（Low Resolution,LR）的基础上,将其分辨率倍增,重建为对应的高分辨率图像（High Resolution,HR）。分辨率大小的不同影响着图像中包含细节信息的多少。而在信息化时代,各个领域对图像分辨率的要求越来越高,图像超分算法的研究具有重要意义。早期,超分辨率重建算法主要采取基于插值或重建的算法,包括最近邻插值、双线性插值,迭代反投影、凸集投影法等。近年来,随着计算机算力的爆炸式提升,深度学习在计算机视觉领域得到了很大的发展,基于深度学习的超分算法开始成为主流。本文将着重讨论国内外SR技术的研究现状,并引入基于多幅离焦图像的重建算法,阐述对经典对抗算法所做出的创新与改进,主要内容包括:（1）构建了基于运动模糊和高斯模糊的卷积去噪自编码器（Auto Encoder,AE）模型。通过随机轨迹生成的模糊核模拟图像的运动模糊过程,并将包含运动模糊和高斯模糊的图像数据集一同作为有损数据输入自编码器的编码部分;在解码部分,通过卷积神经网络的训练,预测原始未被损坏的数据作为输出,实现图像的特征提取及去模糊过程;最后保留编码部分的网络结构及参数,为下一步的特征融合和图像超分辨率重建打下基础。（2）研究基于生成对抗网络（Generative Adversarial Nets,GAN）的SR算法,完成与离焦图像的特征融合。构建空间特征变换（Spatial Feature Transform,SFT）网络层结构,以一种类仿射变换的方式完成编码后的离焦图像特征拼接,并与GAN的生成网络框架结合共同训练,以此融合更多图像特征,增加生成图像的真实性;此外,对判别网络框架损失函数进行改进,引入相对性判别以协助模型收敛,实现对重建图像视觉效果的增强。（3）研究超分辨率重建技术的实际应用场景。对复杂条件下的水表图像角度不一问题提出两种校正预处理算法。构建水表数字读数数据集,并以此训练YOLO检测模型以实现精准的数字识别;针对超分辨率重建前后,不同分辨率下的数字识别情况进行分析,通过对比识别的准确率,以验证超分辨率重建算法能够较好的应用于图像识别相关领域,具有重要的研究价值。