随着当今社会技术的快速发展,图像早已成为了人们获取各种信息最重要的途径之一。由于图像采集过程中硬件设备的限制,产生的图像具有分辨率低和噪声污染等问题。基于深度学习的图像超分辨率重建技术通过计算机视觉算法提高图像分辨率,恢复细节纹理,这种方法成本低效果好,受到了研究和应用领域的广泛关注。为了能够重建出高质量的SR（Super-Resolution,SR）图像,本文主要针对图像超分辨率重建过程中噪声消除和细节恢复等问题展开研究。通过分析现有算法的优缺点,设计了基于空间通道注意力的图像超分辨率模型。本文具体工作内容如下:通过介绍注意力机制在图像超分辨重建领域的应用,对常用注意力机制的优缺点进行了分析,在此之后将空间和通道注意力机制融合到特征提取过程中,同时基于密集连接结构和残差连接结构提出了一种空间通道密集连接块结构SCDB（Spatial Channel Dense Block,SCDB）。在此基础之上,构建了超分辨率重建网络SCDN（Spatial Channel Dense Network,SCDN）进行图像超分辨率重建实验。其中,网络模型在Set5数据集上测试的客观评价指标结果如下:在2倍重建情况下,该算法平均PSNR（Peak Signal-to-Noise Ratio,PSNR）指标比之前 VDSR 算法[15]高出 0.62dB,平均 SSIM（Structural Similarity,SSIM）指标提升0.39%;在3倍重建的情况下,该算法平均PSNR指标比VDSR算法高出0.94dB,平均SSIM指标提升0.76%;在4倍重建的情况下,该算法平均PSNR指标比VDSR.算法高出1.17dB,平均SSIM指标提升1.57%。同时在主观效果上,网络模型重建的图像边缘细节更丰富,视觉效果更好,证明了SCDB结构在图像超分辨率重建任务上是有效的。在上述的研究基础之上,针对复杂场景下的有噪图像超分辨率重建,使用SCDB结构设计了一种基于模型融合的图像去噪与超分辨率重建网络。在传统超分辨的网络结构中加入去噪网络,在重建网络和去噪网络之间加入跳跃连接,通过模型融合将去噪和超分辨任务进行了有效结合,使得重建网络能够充分利用去噪网络中的有效信息,以应对图像重建后出现的图像过平滑和伪影问题。实验表明融合网络能够在去除图像噪声的同时实现超分辨率重建,同时结果具有良好的视觉效果。其中,在Set5数据集上噪声水平为30的情况下,网络客观评价指标结果如下:其2倍重建效果平均PSNR指标较IRCNN[50]算法高出1.08dB,平均SSIM指标提升9.49%;其3倍重建效果平均PSNR指标较IRCNN算法高出1.09dB,平均SSIM指标提升3.04%;其4倍重建效果平均PSNR指标相对IRCNN算法高出1.01dB,平均SSIM指标提升15.74%。