超分辨率简称超分,是计算机视觉中的经典任务,其目的是重建低分辨率图像中丢失的高频信息。在过去几十年间,我们见证了超分技术快速发展的历程。特别是深度学习技术的进步,极大地促进了超分领域的发展。目前,超分技术被广泛应于众多领域中。尽管如此,基于深度学习的超分模型需要配对的高—低分辨率图像对来进行训练。然而,在真实世界中,这样的配对图像通常存在获取难度大、获取成本高的问题。为解决这个问题,研究者们通常利用高分辨率图片与其下采样的低分辨率图片去训练超分模型。纵然这样训练出来的模型能够在公开测试集中取得较好的性能,但面对真实世界中的低分辨率图像时,其性能将会急剧下降。除此之外,目前高精度超分模型的时间复杂度和空间复杂度普遍偏高,需要占用大量的计算资源和存储资源。为解决上述问题,本文提出一种基于无监督学习的超分辨率系统解决方案。该方案分成两部分。第一,利用生成对抗网络域映射无监督方案实现真实世界高—低分辨率的图像对生成,以解决真实世界配对图像难以收集、传统获取的配对图像训练的模型效果差的问题。第二,利用生成对抗网络的模型压缩方案,将训练好的高精度、高时空复杂性的教师网络的超分知识迁移到低时空复杂度的学生网络中,利用学生网络来进行超分辨率推断,以减少计算与存储资源的压力。在真实世界图像对生成阶段,本文提出了一个有效的无监督域映射网络,该网络以颜色注意力机制残差块（Color Attention Residual Block,CARB）为基础模块,能够有效地缓解域映射过程中的颜色偏移,高效地生成配对的真实世界高—低分辨率图像。在训练超分模型和模型压缩中,本文首先提出了一个以密集嵌套残差注意力模块（Residual-in-Residual Dense Attention Block,RRDAB）为基础模块的超分网络,它能够有效地增强超分辨率性能。其次,本文设计了一个高低频解耦的判别器,能够进一步提升超分性能。与此同时,本文引入了边缘损失函数来缓解生成对抗网络产生的假纹理现象。最后,通过生成对抗网络的知识迁移能力,将教师网络的性能传递给学生网络,以实现低时空复杂度高性能的推断。大量的实验表明,本文的真实世界超分方案能够高效且高性能地超分真实世界中的图片。