图像超分辨率指基于已有的低分辨率图像生成相应的高分辨率图像,其在视频传输、医学成像、卫星遥感和地图测绘等领域中被广泛应用,同时也是图像处理与计算机视觉领域的热点研究方向之一。随着深度学习技术的不断发展,卷积神经网络在图像领域展现出了极强的能力,但同时其也带来了诸如模型规模膨胀、特征冗余、过拟合等等一系列问题。本文针对这些问题,在基于反馈连接的深度卷积网络上引入了迭代注意力机制,提升了特征提取质量并加快模型收敛,同时利用基于元迁移学习的自适应超分辨率方法进一步提升了模型在面对复杂降采样任务的泛化能力。本文针对图像超分辨率重建技术的主要研究工作如下:（1）针对超分辨率领域模型膨胀和算力需求不断提升的问题,提出了深度反馈注意力网络,通过反馈连接叠加图像特征和注意力信息,在保持超分辨率重建效果的前提下减少模型内存占用并缩短单幅图像处理时间,图像重建以及参数消融实验表明,该模型可以高效地实现单幅图像超分辨率重建。（2）针对模型在面对复杂超分辨率任务时泛化能力不足的问题,提出了基于元迁移学习的自适应超分辨率方法,在元迁移学习阶段实现模型泛化,并在实际应用时利用孪生对抗网络进行自适应零样本学习,从而在目标图像上快速收敛,实验表明该方法可以进一步提升模型在应对复杂参数任务时的重建效果。（3）根据上述研究,设计了基于超分辨率的视频超采样原型系统,并在相应视频数据上验证测试,测试结果表明,该系统可以有效地实现对低画质视频的画质提升。