像素密度更高的图像可以提供更详细的信息,符合人类的视觉体验,所以现在人们越来越追求高质量的图像。但是由于硬件条件、外界环境的限制,在很多应用场景下仍然无法拍摄出更高像素的图像,图像超分辨率重建技术的提出可以有效提高图像质量。该技术的目标是从算法的角度将拍摄的或者已有的低分辨率（Lowresolution,LR）图像重建出尺寸更大且更加清晰的高分辨率（High-resolution,HR）图像。图像超分辨率重建算法不仅可以提高图像的感知质量,而且还有利于解决其他图像处理的任务,如图像理解、情感分析等,因此该项技术成为计算机视觉的研究热点。目前,在图像超分辨率重建任务中,基于深度学习的方法取得了较好的重建性能。但是由于卷积神经网络表达特征的能力有限,很难将低分辨率图像中的复杂纹理完全重建出来,并且重建的图像还会存在线条弯曲、边缘模糊等现象。针对现有的基于深度学习重建算法的不足,本文提出了一种基于特征融合的图像超分辨率重建算法,主要工作如下:第一,提出一种基于增强残差特征融合的图像超分辨率重建模型（Enhanced residual network,ERN）。为了提高网络的表达能力,提出了一种增强残差模块,该模块由反卷积和卷积操作组成,反卷积操作可以扩大图像特征尺寸,能够进一步提取更多的高频细节。网络采用多层次特征融合结构,充分利用输入的低分辨率图像信息,恢复具有更多纹理细节的高分辨率图像。整个网络采用L2损失函数进行优化,训练结束后,将测试图像输入训练好的模型,得到重建的超分辨率图像。将SRGAN模型中的生成器替换为提出的ERN模型,提出一种基于生成对抗的增强残差特征融合算法（Enhanced residual network generative adversarial networks,ERNGAN）,进一步证明ERN模型能够有效提高重建图像的质量。第二,提出一种基于多尺度特征融合的图像超分辨率重建模型（Multi-scale feature fusion network,MFFN）。为了解决单一卷积的网络恢复的图像仍然存在模糊等问题,MFFN网络采用了基于残差套残差的多尺度结构,使其能够自适应提取不同尺度的特征,同时将在不同尺寸下提取的特征输入膨胀率不同的空洞卷积层,使网络能够提取输入图像中包含的更多细节信息。由于L1损失能够较好地保留图像中复杂的纹理和局部结构,所以使用L1损失函数训练整个网络,更新参数。本文在Set5、Set14、BSD100和Urban100四个测试数据集上进行了客观评估和主观分析,结果表明,与SRCNN等模型相比,在客观指标上,本文ERN模型、ERNGAN模型和MFFN模型均有明显的提高,在视觉效果上,重建的图像能够恢复明显的纹理特征和较为锐利的边缘效果,更贴近真实的高分辨率图像。