1.一种基于卷积神经网络的图像超分辨率重建方法，其特征是：包括以下步骤：

A100、获取需要提升分辨率的初级图像，获取超分辨率重建卷积神经网络；所述超分辨率重建卷积神经网络已经预先完成训练，所述超分辨率重建卷积神经网络包括初步卷积层、深层特征映射单元和图像重构单元，所述深层特征映射单元包括多个顺次连接的整合式特征提制模块；

A200、所述初步卷积层接收所述初级图像作为输入，经过卷积运算后输出包含浅层特征信息的初步特征图；

A300、将所述初步特征图输入所述深层特征映射单元，使各个所述整合式特征提制模块依次接收其上游端输出的特征图作为输入、并对输入的特征图进行征提取操作，最后深层特征映射单元输出包含深层特征信息的精炼特征图；

A400、将所述初步特征图与所述精炼特征图相加，得到综合特征图；

A500、将所述综合特征图输入所述图像重构单元，所述图像重构单元对所述综合特征图进行超分辨率重建后，输出得到分辨率大于所述初级图像的重建后图像；

所述整合式特征提制模块内部对特征图的特征提取过程表示为如下数学模型：

其中， 表示输入所述整合式特征提制模块的特征图，函数 代表前残差模块，函数 代表后残差模块，函数 表示前级空间调制模块， 表示所述前级空间调制模块输出的空间调制图，函数 表示后级通道调制模块， 表示所述后级通道调制模块输出的通道调制图， 为所述整合式特征提制模块运算处理后输出的特征图。

2.根据权利要求1所述的基于卷积神经网络的图像超分辨率重建方法，其特征是：所述前残差模块和所述后残差模块内部对特征图的运算处理过程相同，所述前残差模块和所述后残差模块均表示为如下公式：其中， 表示输入所述前残差模块或所述后残差模块的特征图，函数 和函数 均表示3*3卷积运算层，函数 和函数  均代表ReLU函数,  表示所述前残差模块或所述后残差模块输出的特征图。

3.根据权利要求1所述的基于卷积神经网络的图像超分辨率重建方法，其特征是：所述整合式特征提制模块中设有近邻引入连接和近邻引出连接，上游整合式特征提制模块的近邻引出连接与其下游侧整合式特征提制模块的近邻引入连接相连；同一个整合式特征提制模块中前残差模块输出特征图与后残差模块输出特征图相加后得到的内融特征图通过其近邻引出连接输出；上游近邻引出连接输出的内融特征图通过所述近邻引入连接输入后，先与前残差模块输出的特征图相加，再输入所述前级空间调制模块。

4.根据权利要求1所述的基于卷积神经网络的图像超分辨率重建方法，其特征是：所述前级空间调制模块的数学模型为：其中， 作为所述前级空间调制模块的输入，函数 表示全通道最大池化运算层，函数 表示全通道平均池化运算层，函数 表示全通道中值池化运算层，函数表示拼接操作，函数 表示卷积核大小为1*1的卷积运算层，函数 表示非线性激活函数sigmoid， 表示所述前级空间调制模块输出的空间调制图。

5.根据权利要求4所述的基于卷积神经网络的图像超分辨率重建方法，其特征是：所述后级通道调制模块的数学模型为：其中， 作为所述后级通道调制模块的输入，函数 表示全空间最大池化运算层，函数 表示全空间平均池化运算层，函数 表示全空间中值池化运算层，函数 、函数 、函数 、函数 、函数 和函数 均表示全连接运算层，函数 、函数 和函数均代表ReLU函数，函数 、函数 、函数 均表示非线性激活函数sigmoid， 表示所述后级通道调制模块输出的通道调制图。

6.根据权利要求5所述的基于卷积神经网络的图像超分辨率重建方法，其特征是：所述前级空间调制模块与所述后级通道调制模块之间设有特征整合单元，所述特征整合单元接收所述前级空间调制模块中的部分调制信息作为输入，所述特征整合单元输出特征图与所述后残差模块输出特征图相加后，再输入所述后级通道调制模块，所述特征整合单元内部运算过程用如下数学公式表示：其中， 表示所述前级空间调制模块中全通道最大池化运算层的输出， 表示所述前级空间调制模块中全通道平均池化运算层的输出， 表示所述前级空间调制模块输出的空间调制图， 、 和 共同作为所述特征整合单元的输入，函数 表示拼接操作，函数 表示卷积核大小为3*3的卷积运算层，函数 表示激活函数Logistic，表示所述特征整合单元输出的特征图。