随着深度学习的发展,立体图像超分辨率重建技术取得了巨大的进步。不同于单幅图像,立体图像包含左目和右目两个视图,其超分辨率重建过程不仅要考虑单目视图内的信息,还需要考虑左右视图间的互补信息。因此,如何有效利用这两种情况的信息,成为立体图像超分辨率领域的研究热点。本文在深入分析立体图像特性之后,提出了基于特征融合与注意力机制的立体图像超分辨率重建算法,实现了视图内和视图间信息的高效利用,主要研究内容如下:针对现有立体图像超分辨率算法难以有效利用视图内信息的问题,本文提出了一种多层次融合注意力网络的立体图像超分辨率重建算法。首先,该算法利用残差密集型空洞卷积模块来获取多尺度信息,并不断地进行高低频信息的融合。然后,将视差注意力机制与通道空间注意力机制相结合,通过充分挖掘特征的通道和空间信息来提升特征对齐的精度,这不仅提高了特征的区分性表达能力,还有效解决了遮挡问题。接着,利用残差密集网络和注意力机制挖掘不同深度特征的层内和层间信息,进一步丰富了特征的高分辨率细节。最后进行上采样和全局残差连接,重建出具有丰富高低频信息且立体效果更好的高分辨率左目图像。在三个基准测试集上的实验表明,该算法获得了十分优越的性能,能够重建出图像的真实细节且模型参数量较低,其在KITTI2012和KITTI2015数据集上获得的PSNR结果分别比同期算法提升了0.32 d B和0.18d B。为充分利用左右视图间信息,进一步提高立体图像超分辨率算法性能,本文在第一项工作的基础上进行了改进,提出了一种多尺度特征融合与对齐网络。首先,该网络通过反卷积将输入的低分辨率左右图像放大至目标尺寸。接着,设计了一种多尺度融合提取结构对这些放大后的图像进行处理,该结构能够在提取多尺度特征的同时,进一步捕获特征的全局上下文信息。然后,该网络又在多个尺度上进行特征对齐,通过组合使用可变形卷积对齐结构和视差注意力机制来实现更加精细化的图像配准,很好地利用了视图间信息。之后,在多个维度上对配准后的结果进行建模,实现了对特征的通道、空间和层间信息的深度挖掘。最后,把多维度建模结果和低分辨率上采样左目图像进行全局残差连接,以得到网络的超分辨率左目图像。实验表明,该网络获得的PSNR和SSIM结果较第一项工作有很大的提升,且其重建出来的图像细节丰富,具有较强的立体感。