随着社会信息化程度的提高,图像采集设备也得到了大量地普及,由此数字图像已经成为了重要的信息载体。在现实应用中,由于成像系统自身存在缺陷,以及考虑到网络传输时延和存储空间等限制,数字图像通常以较低分辨率的形式存在。图像超分辨率就是对较低分辨率图像进行复原,其不但能改善图像在视觉层面的感知质量,又可以为后续的高级计算机视觉任务打下基础,因此也是底层视觉任务中一直都很活跃的话题。近年来,基于深度学习的单图像超分辨率方法得到了迅速的发展,但也面对两个新的挑战:一是虽然图像重建的质量越来越高,但是也伴随着超分辨率模型体量的急剧增加,这大大削弱了其在手机、监控等低性能设备上进行应用的可行性,而这些设备往往最需要超分辨率技术的支持;二是目前许多基于深度学习的超分辨率方法都是利用双三次降采样的退化模式构造出成对数据集来进行训练,然而在真实场景下,图像（或自然图像）的退化模式会更加复杂,导致了现有模型的超分辨率效果变差。再者,真实场景下成对的高低分辨率图像的构造难度较高,这也进一步阻碍了超分辨率任务在真实场景下的拓展。据此,本文通过完成以下两个方面的工作来解决所面临的问题:1.提出了一种高效的基于卷积神经网络的超分辨率模型。利用嵌套的密集残差连接,提高了对图像不同层次特征的利用效率,从而保证了图像的重建质量;充分利用1×1的卷积层对模型进行压缩,有效控制了模型参数量;首次引入频率通道注意力机制,在不引入过多额外参数的情况下进一步提升了模型性能;通过充分的实验,与现有模型在重建精度、推理时间和参数量三个方面进行了对比,取得了具有竞争力的结果。2.提出了一种生成对抗网络模型从有限的真实场景数据集中隐式地学习自然图像的退化模式,所生成的图像恢复了自然图像由于双三次降采样所造成的噪声、模糊等特征的损失,构造了可用于超分辨率任务训练的真实数据集。为了避免生成模型在训练时发生模式崩溃的现象,本文提出了聚合损失函数来对生成器进行优化,并且结合频率分离的方法避免模型生成过于平滑的结果,确保能有效地生成与真实场景图像特征非常接近的数据集。得益于本文生成的数据集,在此基础上训练出的模型在面对真实场景下的低分辨率图像时仍然可以保持良好重建表现。