图像超分辨率（Super Resolution,SR）是已知低分辨率（Low-resolution,LR）图像的前提下,预测出清晰纹理和锐利边缘的高分辨率（High-resolution,HR）图像。随着研究人员对SR问题的不断探索,模型结构越来越复杂,网络深度不断增加,导致参数量和计算量大幅增加,对模型高效的部署在移动端和其他资源受限平台上带来诸多困难。因此,模型压缩技术应运而生,实现降低计算量和参数量、加快推理速度的目的。现有的模型压缩算法存在着压缩效果不明显和压缩后的模型精度恢复有限等缺陷,面向SR的模型压缩算法还没有广泛研究。此外,在图像SR领域,大部分文献假设LR图像由单一退化核（例如双三次插值降采样）退化而来,但实际应用场景下LR图像并不满足这一假设,导致推理过程SR重建性能会大大降低。因此,本文提出使用一种综合退化机制来模拟复杂场景下的LR图像退化过程。本文在图像SR领域的模型压缩算法做出探索研究,提出一种两阶段的组合级联式模型压缩方法,从模型的深度和宽度去除冗余;涉及知识蒸馏和模型剪枝两种压缩方法。本文主要研究内容和贡献如下:第一阶段,基于知识蒸馏,提出一种基于响应和注意力特征的SR离线蒸馏框架,设立助教节点多阶段地迁移知识到学生模型,降低教师模型和学生模型之间学习能力的差距。选取三种SR网络模型作为实验对象,通过设置不同参数探索最优蒸馏压缩参数。利用多个评价指标,多角度地衡量模型压缩效果和SR模型压缩后的重建性能,并与其他蒸馏算法做了对比实验。实验结果表明在降低模型参数量和计算量的前提下,SR模型重建HR图像性能基本不变。第二阶段,在经过知识蒸馏压缩后的基础上,使用结构化剪枝算法压缩卷积核。设计了标准卷积级联形式、残差跳接模块和密集连接模块的剪枝处理算法。重训练过程,将通道域和空域注意机制嵌入到SR网络中增强网络表达能力。实验结果表明两阶段压缩算法能更全面地挖掘模型冗余,加强了模型压缩效果的同时,可以忽略SR模型重建性能的下降。