近年来,深度学习在超分辨率重建任务中得到了广泛的应用。大多数超分辨率算法的数据都借助于外部实例,此类方法通过训练高、低分辨率图像块之间的非线性映射函数,得到超分辨率重建算法的网络模型,与传统方法相比取得了很大的进步。然而,基于外部实例的方法需要大量的训练数据,并且无法保证数据集中包含了所有高、低分辨率图像块映射关系;复杂的网络模型也使得训练过程十分耗时,尤其是需要训练不同尺度网络模型时;现实世界中低分辨率图像的降质模型往往十分复杂,这些图像可能会受到噪声、模糊等因素的干扰,导致对特定图像的重建效果不确定。还有一些方法侧重于单幅图像,并使用内部示例重建得到高分辨率图像,避免了外部实例存在的局限性。在此基础上,本文将内部数据集与深度学习相结合,提出了两种超分辨率算法,具体如下:（1）基于多尺度CNN的超分辨率重建算法:该算法受到Zero-short SR（ZSSR）算法的启发,ZSSR首次将内部数据集与深度学习相结合,克服了外部数据集存在的缺陷,同时在有限的模型训练时间内可以得到令人满意的高分辨率重建图像。但ZSSR方法同样存在缺陷:首先,该网络对输入的低分辨率图像采用双三次上采样处理,把相较于外部数据集而言,本就不多的细节信息又做了平滑处理,不利于网络的训练;其次,内部数据集的优势在于可以利用图像在多尺度范围内自相似性重建得到高分辨率图像,ZSSR并没有充分利用该特点。基于上述问题,本文提出了一种基于CNN的输入空间和插值空间的多尺度映射方法,通过单一尺度特征映射模块、跨尺度特征映射模块、多尺度特征融合和全局残差学习模块,得到高分辨率图像。该网络同时训练从低分辨率图像到高分辨率图像多尺度范围内的特征映射,充分利用了内部映射的多尺度信息,本文所提出算法在与多组同为基于内部数据集的超分辨率重建算法比较中,图像重建质量均取得了提升。（2）基于注意力机制的超分辨率重建算法:现有超分辨率重建算法通常采用通道注意力机制,以及空间注意力机制优化网络模型。其中通道注意力机制应用广泛,该类算法通过全连接层操作优化各通道的不同权重,对于较为重要的特征给予更高的关注,以此达到优化网络结构的目的。然而对于深度网络而言,随着网络深度的变化,卷积操作所提取到的特征有所不同。在图像的超分辨率任务中,浅层网络更容易提取到图像的结构、位置等低频信息,而深层网络负责提取图像的细节、边缘等高频信息。因此,需要对不同深度的特征赋予不同的权重,本算法结合深度网络特点,提出了深度注意力机制模块（DAB）,首先分别提取浅层特征与深层特征,在网络前向传播的过程中,借助深度注意力模块对级联的浅层特征与深层特征赋予不同的权重,将学习重点放在对超分辨率重建任务作用更明显的特征上,加快了模型的收敛速度,提升了图像的重建质量。