随着大数据时代的到来,图像作为一种主流的信息传播的媒介,在各种场景,各行各业中都得到了广泛的应用。高分辨率的图像在诸如医学影像,视频监控领域,卫星遥感,移动端直播等领域有着极高的需求,但是由于目前主流的摄像头或光学传感器的物理分辨率有限,通过软件算法提升图像的分辨率可以很大程度上满足上述场景的需求。单图像超分辨率（Single Image Super-Resolution,SISR）是一个常见的计算机视觉问题,旨在通过某种映射关系将单张低分辨率图像恢复为高分辨率图像。近年来的研究结果表明,基于深度学习的图像超分辨方法可以显著提升重构的效果,特别是残差网络和稠密连接结构的出现,使得深度神经网络可以具有通道数更多的卷积模块以及更深的网络结构,同时网络的训练也更稳定。虽然基于深度神经网络的超分辨模型已经实现了高质量的超分辨重构,但是对于重构真实世界中的低分辨率图片和低分辨率的人脸图片来说,单一超分辨模型的性能仍然不够满足实际应用的需求。在计算机视觉领域,有很多与图像处理相关的算法和模型,比如生成对抗网络和语义分割网络。在处理超分辨任务时,如何有效的利用其它模型弥补单一模型性能不足成为一个需要进一步研究的问题。为了解决上述问题,本文在基于深度学习的超分辨率重构模型基础上,将生成对抗网络和语义分割网络与超分辨网络融合。设计了独特的模型结构,提高了真实世界中的低分辨率图片和超低分辨率的人脸图片超分辨效果。本文的主要工作和贡献有以下几点:·提出了一种可以生成更真实的高分辨率图像的超分辨率重构模型。使用退化模型生成真实低分辨率图片,通过无监督学习的方式同时训练超分辨率重构网络和低分辨率图片退化网络,提高了超分辨模型对真实世界低分辨率图片的鲁棒性。·针对人脸图像超分辨率重构任务,提出了注意力自适应模型,将人脸语义先验提取和人脸超分辨相结合,并为人脸超分辨设计了一个语义注意自适应网络。提升了人脸图像超分辨率重构的效果。