图像超分辨率重建是图像处理领域中重要的低层次计算机视觉任务,它主要是提高图像或视频的分辨率,旨在提高图像质量,获得最佳的视觉效果。图像超分辨率重建技术指的是从低分辨率图像重建高分辨率图像,它在高清显示、视频监控和医学成像等场景中被大量应用于实践。近年来,源于卷积神经网络和深度学习的飞快发展,基于上述两种方法的图像超分辨率重建模型被研究者们大量提出,并取得了重大突破。本文基于前人的理论和研究,提出了基于深度学习的图像超分辨率重建算法。总的来说,本文的主要贡献和具体工作总结如下:（1）本文提出了基于树状分支网络的图像超分辨率重建算法,引入注意力机制来保留低频结构和重建高频细节。现有的很多图像超分辨率模型引入单径前馈网络,通过这种方式,很难学习到合适的算子来保持低频结构和高频信息。为了解决这一问题,本文提出了基于深度学习的树状分支网络,模型通过堆叠网络模块渐进式的恢复特征信息（边缘、轮廓、纹理等）。每个模块由多个分支组成,充分利用层级特征,保留低频信息以及重建高频信息,通过注意力机制灵活地学习权重,强调不同状态的特征表示。实验证明了该方法能够重建高质量图像,在多个基准数据集上的定量和定性评估证明了模型的超分辨率重建性能。（2）本文提出了基于聚合激活网络的图像超分辨率重建算法,该算法有效地利用图像的上下文信息、获得更有区别的特征表示来提高图像超分辨率重建的效果。当前的图像超分辨率算法使用较小的感受野提取特征,提取的特征被聚合到后续的模块中。然而,这些方法忽略了利用图像的上下文信息用于更有效的特征表示。因此,本文提出了基于深度学习的聚合激活网络,该网络引入岭回归函数捕获通道的上下文信息。实验证明,与最先进的方法比较,模型多个基准数据集上实现了更高的精度。