在当今信息爆炸的时代,图像作为信息的重要载体并且图像的分辨率越高,所蕴含的信息越多,同时视觉感受会更加细腻。这也让人们提高了对高分辨率图像的需求,同时也吸引了大量科研人员研究如何生成高分辨的图像。目前常用的两种方法分别是:设计更加精密的成像设备来采集图像;通过设计更优的超分辨率算法来生成高分辨率图像。考虑到生产精密的成像设备成本过高,并且成像环境复杂,不容易控制高分辨率图像的生成。因此更多的科研人员将目光聚焦在设计更优的图像超分辨算法来将低分辨率图像重建为超分辨率图像。本文通过结合深度学习的方式提出了两种算法进行图像超分辨率重建,方法内容如下:（1）本文提出了一种基于跨通道、跨尺度和跨阶段的单图像超分辨率算法。该方法能有效的共享从多个通道、多个尺度和多个阶段学习到的特征信息,同时在每个阶段以编码器-解码器的方式来提取图像的多尺度空间特征,并且为了利用通道间的依赖关系,该方法在每个编码器之后执行通道注意力机制。之后,本文设计了一个跨阶段和跨尺度的特征共享模块,来加速不同尺度和不同阶段之间的特征信息共享。整个网络通过多个相似的阶段进行优化,以减少参数的数量。最后,同时重建多个尺度的超分辨率图像。为了验证所提方法的有效性,该方法在四个基准数据集上与其他先进方法进行比较。综合实验表明,提出的方法可以更好的进行图像重建。（2）为了更好的探究上一阶段信息与当前阶段信息的相关性,本文开创性的将Transformer与图像超分辨重建结合起来,从而提出了一种基于Transformer的多尺度反馈神经网络的图像超分辨率重建算法。该算法借助Transformer来让上一阶段学习到的特征信息与当前阶段特征信息以内积的方式来计算两者特征信息的相关性,从而动态关注相邻阶段特征之间的相关性,进而借助上一阶段学习到的特征信息来提取当前阶段特征所蕴含的高频纹理信息,达到由粗到细的的方式来提升图像重建质量。实验表明,该方法与其他先进方法相比,不仅可以更好的进行图像重建,而且网络参数方面也得到很大程度的减少。