SRCNN算法是一種基於深度學習的圖像超解析度算法，它通過端到端的網路模型將低解析度圖像轉換為高解析度圖像。SRCNN的全稱是Super-Resolution Convolutional Neural Network，即超解析度卷積神經網路。
SRCNN算法的核心思想是通過卷積神經網路學習低解析度圖像與對應高解析度圖像之間的映射關係。該算法包含三個主要的網路模組：
Patch extraction and representation（塊析出與表示）：這一模組通過卷積操作和ReLU激活函式從輸入的低解析度圖像中提取特徵，生成一系列特徵圖。
Non-linear mapping（非線性映射）：這一模組繼續通過卷積操作和激活函式對特徵圖進行非線性映射，以學習更複雜的表示。
Reconstruction（重構）：這一模組通過卷積操作將特徵圖重建為高解析度圖像。
SRCNN算法在訓練過程中使用均方誤差（MSE）作為損失函式，通過最佳化損失函式來學習網路參數，使得網路輸出的高解析度圖像儘可能接近真實的高解析度圖像。實驗結果表明，SRCNN在當時的數據集下達到了當時最優的水平，超過了傳統的插值等超解析度方法。
需要注意的是，SRCNN算法在實際套用中需要進行預處理，通常是將輸入的低解析度圖像進行雙三次插值（bicubic interpolation），以便輸入到網路中的圖像與真實的高解析度圖像具有相同的尺寸。