基于射频图像的智能无线感知方法在智能家居、智能空间等领域有着广泛的应用前景,近年来得到了广泛的关注和快速的发展。在实现智能无线感知时,研究者们通常利用射频图像去完成各种感知任务,而射频图像的质量对感知性能会产生较大的影响。受限于无线信号采集设备的小型化及无线信号带宽的局限性,射频图像通常具有尺寸小、信息量低的特点,因此,需要对射频图像进行增强预处理以获得较好的感知性能。传统的图像增强利用双三次插值方法,该方法基于射频图像自身的信息进行图像增强,并没有为原始低分辨率图像增加信息量。目前,业内尚缺乏可提升射频图像质量的有效方法。基于深度学习的图像超分辨可以实现图像增强,它在大量低分辨率和对应高分辨率图像数据集上学习到一种映射关系,并利用这种映射关系对低分辨率图像实现重建增强。本文利用基于深度学习的图像超分辨增强方法实现了射频图像的增强,进而提升了基于射频图像的无线感知任务的性能。影响射频图像重建质量的关键因素是超分辨网络模型的结构,本文围绕残差结构和注意力机制对超分辨网络模型进行了研究,主要工作如下:首先,为解决射频图像结构特征不明显和数据集规模较小导致无法训练复杂超分辨网络的问题,本文探索了结构较为简单的浅层超分辨网络。针对浅层超分辨网络重建性能增益较小的问题,本文探索利用残差结构构建深层超分辨网络以提升超分重建性能。本文将浅层网络作为基本模块,通过残差结构级联多个浅层模块构建深层超分辨网络模型。残差结构的应用缓解了网络深度增加带来的梯度消失和梯度爆炸问题,同时,网络深度增加提升了感受野,进而提升射频图像超分辨重建性能。其次,为解决射频图像中存在的大面积无用特征对超分辨网络训练过程的干扰问题,本文探索了可以实现增强有效特征并抑制无用特征的注意力机制,并将注意力机制应用到超分辨网络中以增强超分重建性能。注意力模块可在超分辨网络输入特征图的通道维度或空间维度学习到表示特征重要程度的权重参数,再将这种表示信息有效性强弱的权重参数作用在输入特征图上,增强了有效特征并抑制了无效特征,从而提升射频图像超分辨重建性能。最后,本文构建了手势识别和水声信道两种射频图像数据集,设计了基于残差结构、注意力机制的超分辨重建实验来验证文中所设计超分辨网络的性能。实验结果表明,本文所设计超分辨网络在射频图像重建增强中具有较为显著的性能提升。