图像超分辨率（Super-Resolution,SR）是一种将低分辨率图像（Low-Resolution,LR）处理为高分辨率图像（High-Resolution,HR）的技术,旨在提升图像的像素密度,并且在一定程度上还原图像中的细节。超分辨率算法对人类世界产生的影响极其深远,其应用场景十分广泛,包括卫星成像、医学成像、视频监控、自动驾驶等诸多领域。同时,随着近年来深度学习的发展以及人们对于图像质量要求的提高,图像超分辨率逐渐成为计算机视觉领域的热门研究课题。然而,图像超分辨率重建是一个经典的反问题。早期的算法着重于研究基于插值的方法,其执行效率高,算法实现简单,但存在较大的瓶颈。为更好的解决这一问题,大量基于学习的方法被提了出来,用于学习低分辨率图像到高分辨率图像的映射。同时,深度学习的发展更是给超分辨率的研究前景带来了更多可能性。本文的主要内容如下:（1）通常使用的通道注意力机制忽略空间层面上的信息,这样的注意力机制会使网络在学习的过程中自适应选择的范围受限。同时发现,多数网络训练时所使用的损失函数对高频信息和低频信息的关注程度相同,这阻碍了网络对于高频信息的学习。因此,提出了一种基于区域级通道注意力的图像超分辨率算法。区域级通道注意力机制（Region-level Channel Attention,RCA）可以使网络对不同空间区域上的通道分配不同的注意力。同时还提出了一种高频关注损失,提高网络对高频细节的关注程度。通过一系列实验验证了此部分所提方法的有效性,同时该方法生成的图片相比起其他对比算法具有更好的视觉效果,并且具有更优的客观指标。（2）生成对抗网络在超分辨率领域已经得到了广泛的应用,通过使用对抗训练方式得到的超分辨率模型生成的图像结果虽然可以在视觉上有很大的提升,但是在语义上与原始图像通常存在较大的出入。于是在损失函数上设计了一种结构保留损失,使网络在训练的过程中更加关注其结构信息。另外,在设计的生成网络中使用了宽通道激活的方式,使网络的浅层信息可以最大程度的传递到后续的深层网络中。同时也引入了感知损失,使生成的结果更加细致化。实验结果表明,相较于对比算法,该算法的生成结果可以在保证图像视觉效果的同时缓解失真的情况。