图像超分辨率重建旨在从低分辨率图像重建出对应的高分辨率图像,被广泛应用于安防监控、互联网信息传输以及医疗影像等领域。以稀疏编码和流形学习等为代表的传统图像超分辨率重建方法受限于有限的手工特征提取方式,需要寻求新的思路提高图像重建质量。近年来兴起的深度学习方法弥补了传统方法的不足,它可从数据中自动学习特征来改善图像重建质量,初步展现了巨大潜力。基于单层特征的重建方法因忽略了其他层中质量较好的特征,在重建质量的提升上受到限制;而基于多层特征的重建方法需要探索降低质量较差特征对图像重建质量影响的有效方法。为此,本文研究基于多层特征的图像超分辨率重建模型,该模型需具备降低较差质量特征对图像重建质量影响的能力。论文主要工作如下:1)分析了基于单层特征(如VDSR模型)和基于多层特征重建的模型(如DRCN模型)的局限性。一方面对VDSR的特征质量展开实验评估,说明该模型可利用不同层特征进一步提升重建质量。另一方面通过DRCN和VDSR模型的对比分析,说明DRCN性能提升受限源于缺乏降低质量较差特征影响的能力。2)设计了基于旁路卷积和特征加权的图像重建模型(BySEDenseSR),使得模型具有降低较差质量特征影响的能力。一方面通过压缩激活块设计了具备特征图权重动态计算的能力的网络,使得较差的特征被赋予较低权重。另一方面通过旁路卷积减少噪声的前向传递,提高中间层特征图的稳定性。实验表明BySEDenseSR模型相比于DRCN模型在图像分辨率放大4倍的情况下,在图像测试集Set5、Set14以及BSD100上的峰值信噪比(PSNR)分别提高了 0.17dB、0.25dB 和 0.12dB。3)设计了基于旁路和特征加权的逐级图像重建模型(BySEDenseSR+),使得该模型相比于BySEDenseSR的时空复杂度更低且图像重建质量更好。利用拉普拉斯金字塔结构消除了 BySEDenseSR模型输入图像需预插值的限制,缓解了BySEDenseSR的模型时空复杂度随图片输入尺寸的增大而剧增的情况。实验表明在图像分辨率放大4倍的情况下,BySEDenseSR+模型相比于BySEDenseSR模型在重建速度上实际提高了 5.5倍,在Set5、Set14以及BSD100上的PSNR评测分别又取得了 0.05dB、0.06dB以及0.01dB的提升。