单张图像超分辨率（Single Image Super-Resolution,SISR）是根据低分辨率图像重建高分辨率图像的操作,是计算机视觉方向里一个重要分支。它也是医学图像、监控和安全等实际领域被广泛使用的图像处理手段。图像超分辨率既可以增加图像的视觉效果,也可以在其他计算机视觉问题中,提高程序的性能。在最近几年,由于深度学习的进步,由深度神经网络构建的图像超分辨率模型得到了积极探索。这些图像超分辨率模型通过学习图像低维空间到高维空间的映射关系,获得了相较于传统的超分辨率方法的更优越的性能。通过这类模型获得的图像在主流的评价指标,如峰值信噪比和结构相似度,都明显优于传统的图像超分辨率算法。并且由深度神经网络构建的图像超分辨率模型生成的高分辨率图像具有更丰富的纹理细节,因此,基于深度神经网络的超分辨率模型成为了近年来研究的热点。然而,现有的基于神经网络的图像超分辨率模型没有充分提取和复用特征使得模型拟合能力欠佳。针对此问题,本文基于现有的研究,设计了基于特征融合和注意力机制的图像超分辨率模型。首先,该模型采用后置上采样的网络框架,在低维空间进行特征提取,最后采用亚像素卷积进行上采样。在特征提取模块,该模型采用残差中嵌入残差（Residual in Residual,RIR）的结构,若干个包含残差块的残差组组成了该模型的特征提取模块。其次,该模型在每个残差组内进行局部特征融合,在每个残差组之间进行全局特征融合。除此之外,该模型在每个残差块中引入坐标注意力模块,在每一个残差组中引入空间注意力模块。基于以上改进,模型的特征提取能力和特征复用能力得到了提升。通过超参数实验和消融实验,本文验证了所提出的超分辨率模型的参数和结构设计的合理性。通过在基准测试集上的测试结果表明,本文提出的模型在客观指标峰值信噪比和结构相似度上有了一定的提升,并且从视觉效果上,本文提出的模型能更好地重建出让人满意的纹理细节。