在信息化时代数字图像是一种至关重要的客观信息载体。图像的分辨率则表示图像中承载的信息量。分辨率越高,说明图像提供的细节信息就越丰富。但在实际成像过程中,经常受成像设备、传感技术、有损传输等降质因素影响,遗失很多关键信息,以至于无法满足应用需求。因此提出超分辨率重建技术,通过相关算法后期提高低质量图像的空间分辨率,这在医学、遥感、监控等多个领域都有十分重大的研究意义,至今为止国内外已在超分辨率重建领域取得很大进展。本文重点针对基于卷积神经网络的单图像超分辨率重建算法进行深入研究。这类算法主要使用大批高清图像建立样本数据库,利用卷积神经网络的表征能力学习低分辨率图像与高分辨率图像之间的空间映射关系,然后将其作为先验知识重建超分辨率图像。目前大部分算法都是通过不断叠加单一的残差模块来加深网络以提升模型性能,但过深的网络带来了高频信息易流失、训练及运行成本过高等问题。另外,单一的网络结构没有充分利用卷积神经网络由浅入深表征低分辨率图像的特性,导致原始特征信息提取不足,重建的图像缺少真实细节。从上述问题出发,本文提出一种基于多级连接注意力网络的单图像超分辨率重建算法AIASR,多级连接注意力网络结构主要由以下三种机制构成:(1)深度注意力机制。在特征提取部分使用该机制将网络层按深度分区,以倒金字塔结构的方式依次为各区域设置不同的卷积核数量,使靠近原始低分辨率图像的浅层有更多特征提取机会,能够获取到更丰富的基础局部特征,以提供给后续层更多选择。(2)窗口注意力机制。在残差模块中引入该机制,利用多种尺寸的窗口进一步挖掘特征图在不同感受野下呈现出的不同高层次特征,再通过通道注意力机制分别为每个窗口输出赋予相应的通道权重,之后跨窗口将所有输出进行融合过滤,这时会更容易保留高价值的关键特征,增强网络的信息辨别能力。AIASR以窗口注意力模块作为基本的特征提取组件,并通过重复叠加该模块加深网络。另外,最后在超分辨率重建部分使用窗口注意力模块整理将要进行上采样映射的低分辨率特征空间。(3)全局特征融合机制。在特征提取部分末尾,通过该机制充分复用前面所有窗口注意力模块输出的各层次关键特征来修正低分辨率特征空间,以补全遗失在深层网络传递过程中的高频信息。本文在高清数据集DIV2K上训练AIASR,并在常用基准数据集Set5,Set14,BSD100,Urban100,Manga109上进行评估,实验证明AIASR内部各机制相辅相成,可有效提升模型性能,并且在公用的评估指标PSNR和SSIM上都超越了目前流行的大多数模型,重建生成的超分辨率图像在视觉上也比其它模型的结果更真实更清晰。