图像作为人类获取信息的主要载体之一,就其清晰度而言,可以分为高分辨率图像（High-Resolution,HR）和低分辨率图像（Low-Resolution,LR）,一般分辨率越高的图像蕴含的细节信息就越丰富,而人们获取的信息也就越多,因此,获取高分辨率的图像信息必不可少。由于某些因素,一些成像设备捕捉到的图像的分辨率并不是很高,针对于此,超分辨率技术（Super-Resolution,SR）应运而生。随着深度学习的不断发展,在超分辨率领域也表现出强大的性能。本文致力于对基于深度学习的超分辨率重建方法展开研究,主要工作如下:（1）利用单一尺寸的卷积核来获取空间信息会导致局部特征提取不充分,此外,由于卷积是针对局部操作的,忽略了对图像固有属性的捕捉。针对上述这些问题,本文提出了一种基于注意力机制和多尺度特征信息提取的网络结构。对于多尺度模块而言,通过密集连接的方式使不同尺寸卷积核的输出在通道上加以融合,从而能够得到图像的一个更好的表征。对于注意力而言,利用自注意力机制的全局特性来获得图像中的非局部相关性。在网络中,使用分层特征融合将网络不同层级的特征信息进行融合,可以加强信息流通并实现特征重用。另外,在网络中通过长跳跃连接来传递低分辨率图像中的信息并简化训练。（2）为了进一步利用LR图像的多尺度特征,提出了一种基于通道注意力和多路径融合的网络结构,构建了一种多路径融合模块,通过使用不同卷积深度的路径实现了多尺度特征提取,能够自适应的检测出不同尺度下的图像特征信息,并通过多路径来融合不同深度的图像特征。对于图像来说,不同的通道所表达的信息不一样,因此通过通道注意力机制能够合理的对不同特征通道的重要程度进行建模,进而根据具体的任务来加以强化和抑制不同的特征通道,进一步提高网络的表达能力。在网络末端,采用全局特征融合的方式对特征提取部分的单元输出的特征图进行融合。最后通过实验和现有的一些模型进行对比,表明本文提出的两种模型在客观指标和主观效果上都有了相应的改善。