近年来,深度卷积神经网络（Deep Convolution Neural Networks,DCNN）在单幅图像超分辨率（Single Image Super-Resolution,SISR）中得到了广泛的应用。然而,大多数现有的基于DCNN的SISR方法往往会产生过于平滑的输出,对图像细节信息的恢复不够理想。为了解决上述问题,本文对基于小波变换和自注意力机制的图像超分辨率重建算法进行了相关研究,提出了两种图像超分辨率重建算法:（1）基于小波变换的非对称卷积网络（Wavelet-based Asymmetric Convolution Network,WACN）。现有的超分辨率方法没有充分利用图像的高频信息,导致重建图像细节不清晰。WACN通过将超分辨率放大倍数和小波分解级数相联系,重建高分辨率图像的小波系数,联合图像空间损失和小波系数损失使得网络专注于学习图像的高频信息。此外,WACN重新构建了残差块,设计了非对称卷积残差块,在模型训练阶段增强了网络的特征提取能力;而在网络推理阶段,通过将非对称卷积核融合到方形卷积核中,在不影响网络性能的前提下减少了网络的参数量,提高了推理速度。（2）结合自注意力的小波变换非对称卷积网络（Combining Attention in Wavelet-based Asymmetric Convolution Network,CAWACN）。为了使得深度超分辨率网络可以自适应地区分高低频信息,进一步提高高频信息的利用率,本文提出了基于方差的通道注意力模块（Variance-based channel attention,VCA）,并将其接入到WACN中得到CAWACN。通过考虑通道之间的相互依赖性,自适应地重新划分通道方向的特征,提高重建效果。最终的实验结果表明,两种方法均充分利用图像的高频信息,使得重建图像的高频边缘细节信息丰富,更加接近真实高分辨率图像。