随着社会的发展,人们对图像的分辨率提出了更高的要求,特别是在遥感和医学等许多领域,如果图像的分辨率较低,将会对后续的处理和应用造成一定的困难。超分辨率重建技术可以通过软件的方式提高图像的分辨率,采用深度学习的方法能够显著提高图像重建的效果,但是仍然存在重建图像质量低、视觉效果差等问题。为了解决以上问题,论文提出三种基于深度学习的图像超分辨率重建算法,具体工作如下:（1）首先针对图像超分辨率重建过程中低分辨率图像特征利用率低的问题,提出多尺度残差注意力网络的图像超分辨率重建算法,利用不同的卷积核获取不同尺度的图像特征,通过二阶通道注意力模块区分各通道特征的重要程度,加强网络的特征提取能力,充分利用低分辨率图像中的信息。在不同数据集上的实验结果表明,此算法在评价指标和视觉质量方面都取得了较好的效果。（2）然后针对图像超分辨率重建网络的中各层次特征相关性没有给予足够重视的问题,提出层次注意力网络的图像超分辨率重建算法,使用层次注意力模块提高对重要层次特征的关注程度,进一步增强网络的特征提取能力。实验结果证明,此算法提升了对图像中细节信息的重建效果,提高了重建图像的质量。（3）最后针对生成对抗网络训练困难和重建图像中伪影较多的问题,提出改进生成对抗网络的图像超分辨率重建算法,将多尺度残差注意力网络作为生成网络,引入WGAN-GP,提高模型训练的稳定性。实验结果表明,此算法减少了重建图像中伪影的产生,稳定了网络的训练过程,提高了图像重建的效果。