1.一种基于深度学习的高效超分辨率重建方法，其特征在于，包括以下步骤：

步骤S1：获取超分辨率常用标准数据集，标准数据集包括“91-imags”、”Set 5”、”Set 

14”、”BSDS100”、“manga109”、”DIV2K”以及“Urban100”，对标准数据集中的图像进行旋转、偏移、切割以及尺度变换，得到增强后的数据集；

步骤S2：读取图像信息，将低分辨率图像与高分辨率图像组合成信息对，制作成网络结构所需的数据集；

步骤S3：在网络结构中，将输入图像进行两分支处理；其中，第一分支利用最近邻插值法将低分辨率图像放大至目标尺寸，形成插值上采样后的图像，然后进入到步骤S8处理；第二分支利用卷积网络模块进行初步的特征提取，得到初步特征后进入到步骤S4处理；

步骤S4：步骤S3第二分支所提取到的初步特征进一步分为两支路，其中，第一支路的初步特征使用残差连接，后进入到步骤S8，第二支路的初步特征直接进入到步骤S5进行密集残差模块特征提取；

步骤S5：密集残差特征提取具体包括如下步骤：

i)将步骤S4中第二支路的初步特征利用1x1卷积层进行特征通道压缩，再经PReLU激活；

ii)对步骤i)所得的特征分成n个子特征，并对n个子特征采用密集相加的连接方式进行特征提取，其中，提取公式如下：式中，i,j＝1，2，3...n，Fbi为第i次特征提取模块所得到的特征，Hi为第i次特征提取模块，Fb0为子特征，亦为步骤i)所得的特征，Fbj为第j次特征提取模块所得到的特征；

iii)将步骤ii)所得的特征利用1x1的卷积层对网络特征图的通道数进行特征扩张，使得通道数量恢复到原来的数量，即得到末级残差特征；

步骤S6：将经过步骤S5所得到的特征与步骤S4第一支路所得到的特征进行相加，随后通过反卷积层进行尺度放大；

步骤S7：将从步骤S6中的反卷积层出来的图像与步骤S3经最近邻插值法所得的图像进行相加，形成最终的网络结构模型输出；

步骤S8：进行训练网络，包括以下步骤：

1)预训练：将“91-images”图像数据集中的低分辨率图像分批读入网络结构中，将网络结构模型的输出与对应的高分辨率图像之间通过MAE计算误差，并把误差进行反向传播，训练网络参数，训练结束即完成预训练；

2)二次训练：使用迁移学习继续进行训练，首先，读取步骤1)所得的网络参数，将“DIV2K”图像数据集中的低分辨率图像分批读入网络结构中，将网络结构模型的输出与对应的高分辨率图像之间继续通过MAE计算误差，并把误差进行反向传播，训练网络参数，训练结束即完成网络训练过程。

2.如权利要求1所述的基于深度学习的高效超分辨率重建方法，其特征在于，在步骤S3中，第二分支利用卷积网络模块进行初步的特征提取的具体步骤为：使用3x3卷积层进行初步的特征提取，随后经过PReLU激活，得到初步特征。

3.如权利要求1所述的基于深度学习的高效超分辨率重建方法，其特征在于，在步骤S5中Hi中所指的特征提取模块是由3x3卷积层进行特征提取并经过PReLU激活构成。

4.如权利要求1所述的基于深度学习的高效超分辨率重建方法，其特征在于，在步骤S8的步骤1)预训练中，学习率设置为1e-3，训练网络参数，当网络训练至500迭代后保存参数。

5.如权利要求1所述的基于深度学习的高效超分辨率重建方法，其特征在于，在步骤S8的步骤2)二次训练中，学习率设置为5e-4，训练网络参数，当网络训练200迭代后进行保存。