随着数字图像在医疗诊断、安防监控、娱乐传媒等领域的广泛应用，高分辨率图像的重要性日益凸显。然而，由于受制于采集设备、传输带宽和存储条件，低分辨率图像依然大量存在。因此，如何高效、准确地将低分辨率图像重建为高分辨率图像，不仅具有理论研究意义，更在实际应用中具有巨大的潜在价值。本项目围绕超分辨率重建展开，基于生成对抗网络（GAN）构建了一个端到端映射函数。通过生成网络与判别网络的对抗结构，使生成网络能够从低分辨率图像中恢复出丰富细节与纹理的高分辨率图像，从而实现图像整体质量的显著提升。生成器采用残差网络作为主干，包含 16 个残差块用于多级特征提取，结合亚像素卷积层实现上采样。判别器基于多层卷积结构，通过逐步下采样和通道数倍增，学习图像的高频细节分布，区分生成图像与真实图像的差异。研究结果显示，4 倍超分辨率重建时，峰值信噪比（PSNR）达到 32.5 dB，结构相似性指数（SSIM）为 0.92，单张 512×512 图像处理时间低于 0.5 秒（GPU 加速），满足实时性需求，证明了其在实际应用中的推广潜力。