超分辨率技术能够在硬件设备性能受限情况下,利用算法提高图像分辨率,恢复图像细节,获取高质量的图像。基于卷积神经网络的深度学习方法能有效提取图像内部特征,学习低分辨率图像与高分辨率图像之间的映射关系,较好地实现超分辨率重建。本文基于卷积神经网络,针对现阶段超分辨网络的效率问题进行了一系列研究,主要工作如下:针对目前基于深度学习的超分辨网络模型较深,参数量、运算量较大,无法适应于实际场景等问题。本文在卷积神经网络基础上,深入研究轻量化卷积神经网络关键技术,设计出一种轻量、快速、有效的超分辨率网络。该网络首先采用分组卷积有效降低模型参数,并引入1×1卷积层来解决信息流通问题;同时通过密集连接加强特征复用,提高网络效率;为进一步提高超分辨率重建质量,引入注意力机制提升网络的特征选择能力。实验结果表明,所提方法不仅能有效地恢复图像细节,同时具有较快的运行速度和较少的模型参数。目前超分辨率网络对图像的多尺度信息利用不足,且往往采用线性方式对不同感受野的信息进行融合,无法实现感受野尺寸自适应改变。为充分提取图像不同尺度特征,论文提出一种基于动态卷积核选择的多尺度残差超分辨率网络。首先,采用动态卷积核选择卷积层,可自适应利用不同尺度的特征图,实现对图像多尺度信息的提取;在此基础上设计残差嵌套结构,可充分利用局部特征信息,加强反向传播时信息流通;另外,引入权重归一化层对每一层网络的权重进行归一化处理以加快网络收敛速度,并提升超分性能。实验结果表明,与现有主流方法相比,所提算法在客观和主观两方面均可取得良好的超分辨率重建效果,同时仅包含少量参数。