单帧图像超分辨率(Single Image Super-Resolution,SISR)重建是从低分辨率(Low Resolution,LR)图像重建到高分辨率(High Resolution,HR)图像的处理过程。作为一个典型的不适定性科学问题,SISR是富有挑战性的,因为从LR空间到HR空间的映射可以具有多个解决方案。并且当放大系数较大时,恢复HR图像中的高频细节变得非常困难。虽然基于卷积神经网络(Convolutional Neural Network,CNN)的方法在SISR任务中获得了巨大成功,但值得注意的是随着网络性能的提升其深度也变得越来越深,这就会带来很多的问题,比如:1)由于梯度消失问题,训练非常深的网络极其困难。2)深度网络会出现严重的特征冗余,网络无法高效的利用各层的信息,造成网络性能下降。深度网络的另一个困难是目前它很难被直接投入使用,因为在实际场景中,我们经常会受到计算量和存储量的限制,特别是在移动终端和其它一些嵌入式设备上。然而,目前大多数轻量级网络只关心如何减少模型参数的数量,对于降低模型计算复杂度的研究涉及很少。这为模型的实用性带来了极大的阻碍。针对上述的几个问题,本文对构建高性能的超分网络及其实用化展开了研究,主要贡献如下:1)提出了基于信息混合网络(Information MIXing Network,IMIXNet)的超分辨率重建方法。IMIXNet改进了稠密连接(Dense Connection),使用信息混合模块(Information Mixing Block,IMB)+混合信息直通道(Mixed Information Highway)的结构实现了高层信息与低层信息的快速传递与重组,有效的复用了低层的特征,降低了特征冗余。同时,缓解了深度网络训练过程中的梯度消失问题。实验结果表明,IMIXNet具有非常出色的特征表示和超分重建性能,基于IMIXNet的SR方法与当前最先进的SR方法相比具有更好的性能。2)在IMIXNet的基础上提出了一个轻量化的SR方法,称之为精巧的信息混合网络(Smart Information MIXing Network,IMIXNet_S)。具体来说,本文将信息混合网络的结构裁剪成一个很小的尺寸,同时提出了轻量的残差块(Slim Residual Block,SResBlock)和反向细化模块(Reverse Refinement Module,RRM),以进一步减少参数数量并提高性能。实验结果表明,与其它轻量级模型相比,IMIXNet_S不仅准确性高,而且还具有非常低的参数量和计算量。3)将IMIXNet应用到另外两个计算机视觉任务当中。在小目标识别任务中,由于小目标分辨率低、结构不明显导致其难以被识别,本文通过先对小目标超分再进行识别的方式来提升准确率。在去雾任务中,本文去掉了 IMIXNet的上采样模块,利用其特征提取能力来完成图像去雾操作。实验结果表明,基于IMIXNet的图像超分重建技术有效地提升了小目标的识别率。在图像去雾任务中,基于信息混合网络的图像去雾模型无论在定量指标还是在视觉对比上相较于其它的图像去雾方法都具有很大的优势。