图像超分辨率重建是从一幅或一组低分辨率图像通过软件的手段得到高分辨率图像的技术。近年来,基于深度学习的图像超分辨率重建技术得到了快速的发展。但是由于超分辨率作为一个病态问题的复杂性和应用场景的多样性,使得目前的算法远没有达到各方面都令人满意的程度。本文从算法的计算量、内存占用、重建图像质量等方向出发做了以下三个工作:1)提出了一种基于密集连接结构的快速单幅图像超分辨率重建算法。该算法采用密集连接的方式聚集不同层输出的不同感受野的特征,解决目前快速超分辨率重建算法重建层的特征感受野单一导致重建图像精度低的问题,同时在密集连接结构中尽可能少的包含卷积层,引入1×1卷积,以减少网络运算开销。实验表明,在保证较小运算量的前提下,大幅提高了图像的重建质量。2)提出了一种基于密集连接、残差和注意力机制的单幅图像超分辨率重建算法。该算法是内外两层的分层结构。内层针对传统密集连接存在冗余的问题进行改进,提出了通道可分密集连接结构。外层将残差连接理解为一种不加权重的特征融合方式,并以内层结构为基本元件,将来自不同元件的输出经过注意力机制加权后密集加和连接。多层的结构将不同层次特征进行更细粒度的聚合。为了提高网络的实用性,算法采用较少卷积核和网络层数。实验表明,相比其他算法,算法采用相对更少的参数量和运算量得到更高的图像重建质量。3)通过实验证明了卷积神经网络超分辨率算法在遥感图像中的泛化能力,同时提出分块处理策略解决算法占用内存过大的问题。用遥感数据集对网络进行局部微调和全局微调的策略,证明了常见图像训练集的算法预训练模型可以直接用于可见光遥感图像的处理,为实际应用提供了依据。针对大规模模型图像处理过程中运行平台内存不足的问题,采用分块处理策略,将输入图像分为小图像块多次处理,在保证不改动算法模型的前提下,算法能在内存资源受限的平台使用。