针对目前的图像超分辨率重建算法中存在的大尺度因子的重建效果较差、不同尺度的图像重建均需要单独训练等问题，提出一种基于拉普拉斯金字塔生成对抗网络（GAN）的图像超分辨率重建算法。算法中的生成器使用金字塔结构实现多尺度的图像重建，从而以渐进上采样的方式降低了大尺度因子的学习难度，并在层与层之间使用密集连接加强特征传播，从而有效避免了梯度弥散问题。算法中使用马尔可夫判别器将输入数据映射为结果矩阵，并在训练的过程中引导生成器关注图像的局部特征，从而丰富了重建图像的细节。实验结果表明：在Set5等基准数据集上分别进行放大2倍、4倍、8倍的图像重建时，所提算法的平均峰值信噪比（PSNR）分别达到了33.97 dB、29.15 dB、25.43 dB，平均结构相似性（SSIM）分别达到了0.924、0.840、0.667，相比用于超分辨率重建的卷积神经网络（SRCNN）、深度拉普拉斯金字塔超分辨率重建网络（LapSRN）、用于超分辨率重建的生成对抗式网络（SRGAN）等其他算法有较大提升，且其重建的图像在主观视觉上保留了更多生动的纹理和小颗粒细节。