图像数据作为互联网时代重要的信息载体,是人类了解和认识世界的窗口。图像分辨率是图像质量好坏的重要指标,图像分辨率表示图像包含信息的丰富程度,高分辨率图像可以提供更多的细节信息。但在对物体成像过程中,受到成像设备、外界环境等因素的影响,最后生成的图像往往缺失了许多细节信息,难以满足实际的生活生产应用的需求。超分辨率重建技术作为一种图像后处理技术,能够在不提升硬件设备性能的前提下提高图像的分辨率。因此,图像超分辨率算法在遥感测绘和医学诊断等领域都有着重要的研究价值与意义。近年来,深度学习使得图像超分辨率领域取得了快速的发展,并且派生出很多不同的方法。然而现有的方法痴迷于模型越大,模型的效果越好的魔咒,使得模型越来越大,训练时间越来越长。尽管取得了不错的效果,但是这是以空间和时间为代价去换取的性能的一点点提升。本文着眼于注意力机制,一种模仿人类的专注力的方法,试图打破这一魔咒。主要进行了以下工作:（1）本文对注意力机制进行了探讨。首先进行了注意力机制在图像领域的描述和表示。SENet网络中包含通道注意力模块,它可以让模型获得关注重要信息的能力,而CBAM中的空间注意力模块可以使得模型聚焦于图像的某些重要区域。自注意力则可以使模型能够捕捉图像中长距离的依赖,突破卷积操作的限制。另外将这三种注意力方法应用到图像超分辨率和图像分类任务中,来验证注意力机制对图像相关任务的可行性以及提高模型的可解释性。（2）本文提出了基于多头多尺度注意力机制的图像超分辨率网络。网络采用图像中的自注意力机制,将其嵌入深度卷积神经网络中,同时为了克服以往模型未能充分的利用不同尺度信息的问题,提出了跨尺度注意力模块,使得模型可以关注和组合不同尺度的结构和信息。实验表明了上述框架能够缓解模型过大的问题和提升模型的效果。（3）本文提出了基于Transformer的图像超分辨率网络。该网络将Transformer与卷积自编码器相连接,首先通过预训练策略,使得模型能够学习到图像通用的表征形式。之后,通过在DIV2K超分数据集上进行了监督训练。最后对模型进行了消融实验,实验结果表明了该注意力方法的有效性。