为了获得更好的图像超分辨率重建质量,提高网络训练的稳定性,对生成对抗网络、损失函数进行研究.首先,介绍了SRGAN和DenseNet,并设计了基于DenseNet的生成网络用以生成图像,且将子像素卷积模块加入到DenseNet中.接着,移除了原本DenseNet中冗余的BN层,提高了模型的训练效率.最后,介绍了SRGAN的损失函数并基于Earth-Mover距离来重新设计损失函数,并且用SmoothL1损失取代MSE损失来计算VGG特征图,以防止MSE放大最大误差和最小误差间的差距.实验证明:该模型在网络训练过程中能够达到稳定收敛的状态.重建出的图像质量对比SRGAN,在3个基准测试集SET5,SET14,BSD100上的平均PSNR要高约2.02　dB,SSIM高约0.042(5.6％).重建出的图像不仅在指标上有所提升,且拥有更好的清晰度,高频细节更为丰富.