随着信息时代的逐步发展,人们对图像分辨率的要求也越来越高。由于通过改进硬件提升拍摄图像分辨率的方案成本较高且存在瓶颈,人们对已获取的图像分辨率也有提升需求,因此,超分辨率重建技术通过使用数字信号处理的方法提高图像分辨率,获得了国内外学术界与商业界的极大关注和深入研究。基于深度学习的图像超分辨重建方法是近年来新兴的一类方法,此类方法主要使用卷积神经网络从大量的低分辨率-高分辨率图像对中学习二者间的映射关系,进而将这种映射关系应用于需要超分辨率重建的图像上,通过推理得到高分辨率图像。相比以往的超分辨率重建方法,此类方法在重建图像的准确度和视觉效果上有很大提高。但随着移动设备的普及,在计算性能、存储空间有限的设备上进行超分辨率重建的需求愈发强烈,而现有的一些基于深度学习的图像超分辨率重建方法由于模型参数量大,运行内存占用高,使其适用性受到限制。此外,深度学习中的注意力机制模块可以在少量增加模型参数的前提下,大幅提升模型性能,但现有注意力机制的设计缺乏对超分辨率重建任务的针对性。因此,如何设计轻量级的基于注意力机制的图像超分辨率重建方法,还需要深入的探索和研究。针对现有算法存在的问题,本文采用基于轻量级卷积神经网络和基于注意力机制的思想,对图像超分辨率重建问题进行研究。本文的主要工作如下:（1）针对现有方法在使用通道注意力机制时,没有考虑超分辨率重建算法模型训练与测试环境不匹配导致模型性能受限的问题,本文提出了一种基于局部特征增强的重建策略,增加了注意力机制对图像局部特征的关注度,使模型性能得到进一步提升。并针对现有基于卷积神经网络的超分辨率重建算法所使用的网络模型参数量庞大导致使用场景受限的问题,提出了一种扩张蒸馏残差网络,在实现高质量图像超分辨率重建的同时,降低了模型所需的参数量和计算量。（2）针对现有的超分辨率重建算法在使用注意力机制时忽视了模型中特征之间的关系,本文提出了一种特征相关性注意力机制,提升了网络对特征的选择与判别能力。本文还使用这种注意力机制构建了一个轻量型感知图像超分辨率重建模型,用于将低分辨率图像恢复成重建效果更加真实的高分辨率图像。此外,本文设计了一种特征分块重建策略,进一步提升了带有特征相关性注意力机制的模型的性能。充分的实验结果证明本文的模型在多个数据集、多种评价指标下都有着优秀的效果。