图像是网络时代信息传递的一种重要载体,相对于文字、语音等传统媒介,图像可以直观高效的获取信息。高分辨率（High-Resolution,HR）图像通常包含大量的图像纹理细节,因而可提供丰富的信息,具有更好的观感,便于人们更加准确、快速地获取所需信息,做出准确判断。但由于硬件采集设备和网络传输条件的限制,通常人们获取的图像多为低分辨率（Low-Resolution,LR）的。图像超分辨率重建（Super-Resolution,SR）技术就是着眼于从软件算法角度实现由低分辨率图像重建出高分辨率图像。基于深度学习的图像SR算法是通过构建多层卷积神经网络以建立输入与输出之间非线性的端对端映射关系,通过训练拟合相应的映射函数,目前在图像SR领域中展现出良好的重建效果,已成为近年来该领域的研究热点。由于退化的LR图像与原始的HR图像相比丢失了很多细节性的信息,因而同样的LR图像可能对应多幅不同的HR图像,是典型的一对多问题,因而SR问题是一个严重的病态问题。现有的基于深度学习SR模型更关注于增强SR算法中映射函数的拟合效果,对缩小该病态问题的解空间开展的研究相对较少。本文以深度学习技术为基础,针对单一图像的SR重建问题展开研究,提出了两种基于深度卷积神经网络的图像SR算法,分别如下:1)基于闭环双重注意力机制的图像超分辨率重建算法。现有的基于深度学习的图像SR算法对不同空间和通道维度的特征采用均等处理的方法,该方法导致大量的计算资源浪费在不重要的特征中,制约了算法性能的提升,同时为有效利用更多的邻域信息进行像素SR重建,算法通过加深网络深度以增大卷积核感受野来捕捉远程的信息依赖。这种方案使得SR算法复杂度高,训练收敛难度大、重建图像质量较差。为解决该问题,本文提出由空间注意力机制和通道注意力机制组合构建双重注意力机制方法,通过学习不同通道的重要性权重以及空间图像块间的相似性的权重值,从而对不同位置的特征重要性进行建模,以进一步增强重要的特征,抑制不重要的特征。为弱化一对多带来的病态问题,算法中构建了双路对偶回归结构,在LR图像到SR图像的原始映射的基础上,增加了SR图像到LR图像的对偶映射,通过该正则项的构建一定程度的约束了解空间。2)基于可逆神经网络的图像超分辨率重建算法。为进一步弱化一对多现象带来的病态问题,本文引入了流模型结构,通过其可逆变换性质以充分利用图像退化模型结构中的先验信息,由流模型构建了LR图像和HR图像之间一条双工通路。依托深度学习技术和流模型基础原理,构建了可逆神经网络结构,在流模型中通过深度神经网络实现映射函数拟合,形成了类似编解码结构的可逆转换。为实现流模型结构,采用像素重排方法将HR图像进行分解获得高通道和低通道信息,在正向退化拟合过程使得高通道信息拟合各项同性的高斯分布,低通道信息拟合LR图像。可逆结构的引入使得图像重建效果取得巨大的飞跃。经过实验验证,本文提出基于闭环双重注意力机制的图像SR重建算法相对于现有的图像SR算法重建图像的质量有明显的提高,但该模型方法仍复杂度较高。基于可逆神经网络的图像超分辨率重建算法由于引入流模型结构构建了可逆的算法结构,使得图像重建质量相对于基于CNN的SR算法有了极大的提升,同时网络参数非常小,收敛速度快。