高分辨率图像具有画质清晰、色彩丰富等优点,广泛应用于安全监控、医疗成像、自动驾驶、视频直播等生活场景。然而现实生活中,图像成像过程受环境噪声、欠采样等因素影响,实际应用获得的图像质量较低,难以满足人们的需求。图像超分辨率技术通过软件算法将低分辨率图像重建为高分辨率图像,是计算机视觉领域的研究热点。随着深度学习的快速发展,基于卷积神经网络的图像超分辨率重建已经取得了长足的进步,但是目前仍然存在许多问题:单一尺寸的卷积核无法挖掘图像多尺度的特征、没有充分考虑图像不同特征通道的重要性以及深层网络结构带来的梯度消失等。本文从上述问题出发,提出一种基于多尺度特征融合的图像超分辨率重建模型,结合多尺度特征提取融合与通道注意力机制,从加宽网络结构的宽度方向上,改进现有的超分辨率模型。在网络结构中,构建多尺度特征融合模块,通过1x1、3x3、5x5三个不同尺寸的卷积核,并行提取图像多尺度的特征信息。接着,将得到的多尺度特征在图像通道维度上采用Concat的方式进行特征融合,尽可能保留图像的层次特征信息。最后,使用1x1卷积核对融合得到的特征矩阵进行降维。由于不同尺寸的卷积核拥有不同大小的感受野,网络中的多尺度特征融合模块可以更深层地提取图像纹理、色彩等不同尺度的特征信息,有利于网络模型学习到更多的图像高频特征。在多尺度特征融合后,引入通道注意力机制（Channel Attention）,通过卷积神经网络自适应学习特征图各个通道的重要程度,然后根据重要性的分布,对特征图每个通道赋予不同的权重值,充分利用图像各个通道之间的关联性,使网络更加专注于重要性大的图像特征。利用通道注意力机制,帮助网络筛选出更有利于重建高分辨率图像的有效特征。在网络的末端,通过反卷积上采样与跳跃连接,生成最终的重建图像。整体网络结构上,本文模型采用全局残差连接与局部残差连接相结合的方式,每个多尺度特征融合模块的输入通过跳跃连接,直接与模块的输出部分相加。通过全局残差学习与局部残差学习,减少网络中冗余的低频特征信息,提高模型的计算效率。在四个经典的基准测试数据集Set5、Set14、BSD100与Urban100上,本文算法与Bicubic、A+、SRCNN、VDSR和EDSR五个经典算法分别进行了定性与定量的实验对比分析。实验结果表明,相比其它算法,本文算法在客观评价指标PSNR与SSIM上均有一定的提升。在主观视觉效果上,本文算法重建图像的纹理细节更加清晰,说明结合多尺度特征融合与通道注意力机制,可以有效提升图像超分辨率的重建质量。