SRCNN（Super-Resolution Convolutional Neural Network）是一種用於圖像超解析度的深度學習模型，它通過卷積神經網路（CNN）學習低解析度（LR）圖像與高解析度（HR）圖像之間的映射關係。SRCNN模型的結構主要包括三個部分：
區域特徵的提取與表示：這一步通過一個常規卷積層和一個ReLU激活函式對輸入的低解析度圖像的區域特徵進行編碼。卷積核大小為9，卷積核數量為64。
非線性映射：在第二層，利用常規卷積層（卷積核大小為1×1，卷積核數量為32）和ReLU激活函式對第一層的輸出進行非線性映射。1×1卷積的作用是壓縮特徵通道並減少神經元連線數量，從而降低網路複雜度並提升運行速度。
重建：最後一層通過常規卷積層和ReLU激活函式輸出重建的高解析度圖像。
SRCNN模型的特點包括結構簡單、推理速度快以及重建質量高。它通過端到端的方式學習，使用均方誤差（MSE）作為損失函式，以最小化輸出高解析度圖像與真實高解析度圖像之間的差異。SRCNN在峰值信噪比（PSNR）指標和重建圖像質量方面優於傳統的雙三次插值和稀疏編碼方法。