1. 研究目的与意义（文献综述）

1.1 研究目的及意义

人工神经网络（artificial neural network，ann）是有史以来发明的最优美的编程范式之一，也是20世纪80年代以来人工智能（artificialintelligence，ai）领域机器学习兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。在传统的编程方法中，人们告诉计算机需要做什么，并且把一个大问题人为地分成许多小的、定义精确的小问题，计算机可以很容易的执行。相比之下，在神经网络中，人们并不告诉计算机如何解决问题，相反，计算机从观测数据中学习，找出合适的解决方法。人们通过设计学习算法，使得人工神经网络能自动的调整人工神经元的权重和偏置，以响应外界的刺激而不需要人工干预。

人工智能是一个非常大的概念，而机器学习（machine learning）只是人工智能的一种实现方法，深度学习（deep learning）同样的也只是一种实现机器学习的方法，是在机器学习的基础上建立起来的，深度学习最基本的形式是深度神经网络（deep neuralnetwork），简单的说，即含有多层隐藏层的人工神经网络，是直接脱胎于机器学习的神经网络模型的。

2. 研究的基本内容与方案

2.1 设计的基本内容

实际上运用机器学习学习方法分析数据、建立预测模型本身是一个非常复杂的过程，得益于最新的计算机硬件水平的提高，更多的数据集的收集以及能够设计的更深的网络计算，使得深度学习的普及性和应用性都有了非常大的发展。

基于深度学习的图像超分辨率技术的重建流程主要包括以下几个步骤：

3. 研究计划与安排

第1—2周：查阅相关的文献资料，对研究内容进行整体了解；

第3—4周：了解整体实现方案，完成开题报告；

第5—12周：根据方案进行设计和实现；

4. 参考文献（12篇以上）

[1] 刘永信, 段添添.基于深度学习的图像超分辨率重建技术的研究[j].科技与创新.2018, (23).

[2] 孙旭, 李晓光, 李嘉锋, 卓力.基于深度学习的图像超分辨率复原研究进展[j].自动化学报,2017, 43(5):697#8722;709.

[3] freeman w t, jones t r, pasztor e c.example-based super-resolution[j]. ieee computer graphics and applications,2002,22(2):56-65.