红外图像是一种根据被摄物体表面红外辐射强度分布形成的灰度图像,它具有受环境影响小、夜间成像效果好等优势,具有很大的应用前景。然而,受限于红外成像系统的技术能力和制造水平,现有的红外图像普遍存在的图像分辨率低、对比度低、饱和度不足等问题。本文以深度学习和图像处理技术为基础,研究了基于深度学习的红外图像超分辨率算法,旨在从低分辨率的红外图像中恢复出视觉效果好、分辨率高的红外图像。本文的具体研究内容如下:（1）为了能够以较少的计算成本的条件下恢复出高质量的红外图像,本文采用了一种对偶结构进行超分辨率重建。相比于传统的只有从低分辨率图像到高分辨率图像这一条映射关系的算法,本文所提的方法还增加了一条反向的映射,用于辅助高分辨率重建工作。（2）红外图像作为单通道图像,其所含有的信息量无论是维度上还是数量上都比可见光图像有较大的缺失。针对这一问题,本文通过引入注意力机制来解决。为了解决超分辨率重建后的图像边角等细节缺失、对比度低,以及网络的参数量大、计算成本高的问题,本文提出了一种融合了多个通道的注意力机制模块RTAB,它从多个通道方向分别计算了注意力并进行融合,能够更好地提取特征。本文将RTAB与对偶结构进行融合,提出了用于红外图像超分辨率的算法RTADNet。本文的最后,将上述两种算法在公开数据集上进行训练,并用自有的红外成像设备采集了真实数据集进行实验验证,并与几种典型的同类算法进行了对比实验。实验结果表明,本文所提出的方法在视觉效果以及评价指标上都更有优势,而且模型的参数量显著低于同类算法,具有很大的应用价值。