遥感图像在军事侦察、环境监测、地形测绘等多个领域有广泛的应用,因此获取到质量较高、边缘纹理清晰的高分辨率遥感图像有助于图像解译与应用等相关任务。然而,受限于成像系统自身的硬件条件,以及在处理过程中存在不可避免的图像降质因素,获取到的遥感图像存在分辨率低、缺少边缘纹理细节、噪声污染严重等问题。当下的超分辨率重建方法多应用在目标单一、景物尺寸大、自身具有丰富高频信息的光学自然场景上。这类方法不能很好地应用于遥感图像场景。因此如何获得空间分辨率更高、视觉感知更好的遥感图像具有重要课题意义。为此,本文针对现有遥感图像和高光谱图像超分辨率重建任务中存在的问题,开展了基于深度学习的单帧超分辨率重建算法探究,本文主要工作内容如下所示:1)针对光学遥感图像超分辨率重建过程中缺少目标空间先验信息,以及不同特征层信息利用不充分的问题,本文提出了一种基于连接注意力的双分辨率重建方法。该方法通过构建多尺度双分辨率学习结构直接补充目标分辨率下空间结构与细节学习,同时引入连接注意力机制,在减少学习过程中信息丢失的基础上对不同特征层信息充分利用,从而加强超分辨率性能。2)针对高光谱图像超分辨率重建过程中空-谱相关性未得到充分利用,以及存在光谱失真的问题,本文提出了一种基于空-谱依赖性建模和通道冗余调整的超分辨率重建方法。该方法提出了通道冗余调整机制,旨在减少特征提取过程中通道维度上冗余相似信息的出现,进而增强特征对空、谱信息的表达能力。在此基础上,通过空-谱依赖性建模首先完成局部空间高频信息的重建,然后引入反亚像素采样机制提取出目标空间结构先验信息,以指导局部信息的融合,从而实现由局部到全局的图像精细化超分辨率。3)针对高光谱遥感图像超分辨重建过程中空间维度上可利用信息匮乏的问题,本文提出了一种基于空-谱依赖性和低频信息补偿的超分辨率重建方法。该方法依据空-谱依赖关系,通过引入打乱注意力机制,构建了从光谱到空间的低频信息补偿机制,以补充超分辨率过程中所需的低频信息,从而为精细高频信息的重建提供保证。