自将卷积神经网络引入超分辨领域（Super-Resolution,SR）以来,因其使得图像重建效果显著等优点,基于深度学习的方法成为了超分辨率领域的主要研究热点之一。在将深度网络用于单幅图像超分辨（Single Image Super-Resolution,SISR）的成功应用环境下,众多研究者和学者为了进一步提高图像的重建效果,提出了大量的新网络模型和改进方法。其中大多网络模型以及改进方法主要侧重在网络进行特征提取的阶段,以加深网络层的形式进行更深层次的特性提取;大多模型在重构阶段只采用一个上采样结构进行图像重构。然而当网络加深到一定数量会出现模型退化的问题;只采用一次上采样操作进行图像重构会忽略中间特征的贡献问题。此外,多数超分辨重建算法只是针对单一放大因子而言,这在一次性放大较大倍数的情况下会引入噪声过多的问题。为了缓解上述问题,本文进行了以下两种方法的研究:1)针对网络重构使用单一上采样重构层而导致的中间特征运用不充分,以及建立模型时放大因子单一等问题,本文提出了基于空间特征变换与反投影的渐进式图像超分辨方法。该方法以空间特征变换思想进行相似性特征提取,增加特征层间的不同相似性,最后以反投影的思想对这些特征进行差异性融合。重构模块注意特征之间的重构误差,可以重构出更加丰富真实有层次的细节信息。此外,该方法还融合了渐进式放大的思想,减少了在放大较大倍数时模型引入的噪声。2)针对多数网络在进行特征提取时结构单一,中间特征利用的不多以及重构时忽略不同通道贡献力度不同、不同通道中的不同区域贡献力度不同等问题,本文提出基于空间通道注意力机制的渐进式图像超分辨率方法。该方法主要思想是以空间特征变换对通道注意力机制进行改进,提出基于SFT（Spatial Feature Transform）的空间通道注意力机制,并在此基础上构建新的重构层,使得网络在利用网络中间特征进行图像重建时,能注意到不同通道之间的差异性,同时也能注意到不同通道中不同区域的差异性。此外,该网络以空间特征变换思想进行相似性特征提取,增加特征层间的不同相似性,还融合了渐进式放大的思想,减少了模型重构时造成的伪影。实验结果在客观指标上表明所提两种网络具有一定的有效性,以及其重构结果在主观视觉上也比较令人满意。