随着科技的发展,人们对数字流媒体如图像、视频的感官效果出更高要求,然而受拍摄设备、自然环境、存储空间以及网络带宽等限制,人们的使用体验和视觉感受往往无法同时得到满足。图像超分辨任务作为优化各种场景流媒体质量的深度学习任务,也被赋予更高期待。图像超分辨任务常利用简单下采样获取图像对进行训练,但由于域差异性,网络在真实场景往往表现不佳;且理论上任务的真实场景图像对无法获取或成本极高,难以通过收集数据集解决此问题。迁移学习中领域自适应能够有效克服不同数据或任务间的域差异性,且基于样本、特征、模型等迁移方式,都是真实场景任务的良好解决方案。在本文中,通过底层视觉任务中图像超分辨的真实场景适配问题,依据超分辨率问题思路,针对不同图像所需超分程度不同,结合领域自适应设计了一种能够同时从源域和目标域进行约束的带有前退出机制的迁移超分辨算法TSRN-Early Exit（Transfer Super-resolution Network-Early Exit）。网络拥有多条输出支路,能够动态对恢复图像进行判断,满足条件即可输出,实现了效果与消耗的双赢。本文通过生成拟真实场景图像的方法解决传统简单下采样的缺点及真实数据集稀缺性的难题。针对网络输出和真实图像的空间不一致问题,设计了以SSIM分数为基础的自步学习策略,使网络由易至难地学习,从而升收敛速度和迁移效果。本文采用步进式的介绍方式,后三章分别对上述各方法进行设计及优化。综上所述,本文主要贡献如下:1.本文首先设计了迁移超分算法TSRN,进而出带有前退出机制的真实场景迁移超分算法TSRN-Early Exit,这也是该机制在超分领域的首次应用。网络拥有多条输出支路,满足条件的图像能够在任一支路前输出,因此网络能够很好的权衡恢复效果与资源消耗;且网络同时完成了源域、目标域下基于特征及样本的领域自适应。在训练过程中,引入带权损失策略更好地诱导各支路的训练,且利用小波变换增强超分辨及迁移效果。2.本文使用自步学习思想,设计一个即插即用的空间注意力策略,解决超分图与真实图的空间不一致问题。该策略让网络完成由易至难的学习,加快收敛速度的同时增强迁移效果。3.在TSRN和TSRN-Early Exit的实现过程中,分别构建拟真实场景数据集Real SRgen、DIV2Kgen和混合图像数据集Real SRLRmixed,以适应算法设计、检验算法效果。4.各项工作都通过充分的对比实验及消融实验的验证,各结果均显示迁移学习应用的可行性及出方法的有效性。