针对传统图像超分辨率重建方法存在的重建图像模糊、噪声量大、视觉感差等问题，提出了一种基于混合深度卷积网络的图像超分辨率重建方法。首先，在上采样阶段将低分辨率图像放缩至指定大小；然后，在特征提取阶段提取低分辨率图像的初始特征；接着，将提取到的初始特征送入卷积编解码结构进行图像特征去噪；最后，在重建层用空洞卷积进行高维特征提取与运算，重建出高分辨率图像，并且使用残差学习快速优化网络，在降低噪声的同时，使重建图像的清晰度及视觉效果更优。在Set14数据集放大尺度×4的基准下，将所提方法与双三次插值（Bicubic）、锚定邻域回归（A+）、超分辨卷积神经网络（SRCNN）、极深度超分辨网络（VDSR）、编解码网络（REDNet）等超分辨率重建方法进行对比。在超分辨实验中，所提方法与对比方法比较，峰值信噪比（PSNR）分别提升了2.73 dB、1.41 dB、1.24 dB、0.72 dB和1.15 dB，结构相似性（SSIM）分别提高了0.067 3，0.020 9，0.019 7，0.002 6和0.004 6。实验结果表明，混合深度卷积网络能够有效地对图像进行超分辨率重建。