目前,图像超分辨率研究通常可以分为两种,分别是单图像超分辨（Single Image Super-resolution,SISR）和参考图像引导超分辨率（Reference Image Guided Super-resolution,Ref SR）。其中,SISR仅接受单张低分辨率（Low-resolution,LR）图像作为输入,其重建的图像往往会产生模糊或者伪影现象,主要原因是因为原始的高分辨率（High-resolution,HR）图像中包含的高频纹理在退化过程中受到严重的破坏。为了解决这个问题,Ref SR通过引入额外的参考图像,并通过从中迁移高频细节到低分辨率图像的重建过程中,实现了出色的重建性能。然而,以往的Ref SR方法聚焦于如何从参考图像中有效地迁移纹理特征的方式,忽略了低分辨率图像空间中也存在有价值的高频信息。除此之外,这些方法将提取的低分辨率图像特征和迁移的纹理特征直接相加或者沿通道维度直接拼接在一起,但这并不是最佳的特征融合方式。为此,本文提出了两种改进的Ref SR算法:基于残差通道注意力连接网络的参考图像引导超分辨率（Reference Image Guided Super-resolution Based on Residual Channel Attention Connection Network,RCACSR）算法和基于双投影融合模型的参考图像引导超分辨率（Reference Image Guided Super-resolution Based on Dual Projection Fusion Model,DPFSR）算法。RCACSR可以从低分辨率图像中提取丰富的低频成分和有价值的高频信息用于重建具有清晰纹理的超分辨结果。为此,本文提出了一种新颖的骨干网络——残差通道注意力连接网络,它首先在残差块中添加注意力机制以提取低分辨率空间中的高频信息;接着在不同注意力块之间自适应地学习该信息,从而使网络具有更强大的特征表示能力。此外,本文还提出了一个增强的纹理变换器,它能够减少迁移的纹理特征中包含的冗余信息,以形成更具代表性的特征表达式。DPFSR进一步考虑了如何将低分辨率特征和参考纹理特征有效地融合在一起。具体来说,本文提出了一个双投影融合模块,该模块利用残差间的投影操作,能够使网络更加关注特征来源之间的不同信息,从而获得更好的特征融合效果。通过与现有的最先进图像超分辨率算法在多个基准数据集上的实验结果比较表明,本文提出的RCACSR和DPFSR在定量、定性两个方面均实现了最优的性能。