图像和视频的超分辨率（Super-Resolution,SR）算法研究是计算机视觉领域的一个重要问题,它能恢复原始数据由于远距离传输、压缩等造成的数据分辨率损失。通过对低分辨率数据的超分辨率重建,可以获得高分辨率的数据内容,极大改善视觉效果。在多媒体时代,图像和视频是我们日常接触最多的数据,为了提升降质数据的视觉效果,产业界以及学术界都致力于利用大数据的优势发展新型的超分辨率算法。得益于深度学习的快速发展,利用卷积神经网络构建深度模型被广泛地运用在最新的超分辨率算法中。相对于传统的基于手工特征的算法,基于卷积神经网络的超分辨率模型摆脱了复杂的调参过程,仅仅需要输入数据就能恢复出更优的细节特征,具有很强的可适应性。虽然卷积神经网络的引入为SR算法带来显著的收益,但由于深度学习模型动态推理能力差,算法复杂度高,注意力机制不清晰等问题依然有待解决,如何更加高效地提升超分辨率模型的运行效率和效果仍面临着巨大的挑战。本论文以深度学习的超分辨率模型为基础,针对现有算法面临的问题,从卷积神经网络的注意力机制,模型轻量化,真实场景的可适应性,三维卷积的应用这个四个角度出发对超分辨率模型理论和方法进行深入研究,主要贡献总结如下:（1）从卷积神经网络的注意力机制角度出发,本论文为超分辨率模型设计出一种新颖的核注意力模块。通过在运行中动态选择合适的卷积核,该机制使网络能够根据不同尺度的输入内容动态调整卷积核感受野的大小。在此基础上,本论文使用残差连接和组连接的方式对多个核注意模块进行叠加,形成了一种新的超分辨率模型,它能对不同接受域下的信息进行筛选,以此学习到更多有区别的表达。因此,本论文所提出的模型对多尺度特征更加敏感,通过预先定义上采样模块,使得单个网络能够同时处理多个尺度的超分辨率任务。本论文还综合对比了其它具有代表性的注意力机制,比如通道注意力机制和空间注意力机制,显示出本论文提出的基于核注意力机制的优越性,并在一定程度上为超分辨率模型的结构设计提供了可解释性。（2）从模型轻量化的角度出发,本论文设计出一个新颖的轻量级图像超分辨率模型,名字叫渐进式特征融合网络。为了充分利用特征图,本论文提出了一种新的渐进式注意力块作为网络的主要组成块。该模块采用多个具有像素注意力的并行连接路径,它能显著提高各层的感受野范围,从而帮助网络提取到图像中有用的信息和学习到更有鉴别性的特征表示。此外,在该网络中,本论文还利用多尺度的像素注意力机制构建出简洁高效的上采样模块。以上所有模块都保证了网络可以从注意力机制中受益,同时其自身又足够轻量级。在此基础上,本论文还提出了一种基于余弦退火学习的训练策略,它能训练出更具表达能力的模型,在不改变模型结构的情况下提高复原图像的质量。（3）从真实的应用场景出发,构建可适应卫星遥感图像的超分辨率模型。当前,超分辨率模型在真实场景下的可适应性研究是目前的难点问题。针对遥感图像的超分辨率重建,本论文提出了一种新型的混合高阶注意力网络。该网络由两部分组成:用于特征提取的浅层网络和用于细节恢复的具有高阶注意力机制的深层网络。在浅层网络中,本论文在所有跳转连接中用通道加权拼接代替元素级加法,这大大促进了信息流动。在深度网络中,不同于传统的一阶统计（空间或通道注意力）,本论文设计出新颖的高阶注意力模块来恢复丢失的细节。最后,本论文引入了频率感知连接来集成浅层和深层网络。实验证明,本论文所提出的方法在遥感图像超分辨率上能提供当前最好的性能。（4）从三维卷积的角度出发,研究针对视频超分辨率模型的高效算法。与以往的基于光流的运动补偿方法不同,本论文提供了一种利用卷积分解原理实现的高效三维卷积模块来捕捉帧间依赖。在分解后,用三组一维的卷积核代替了传统的三维卷积核,从而使模型在保持较小运算量的同时充分利用输入图像序列的时空信息。此外,本论文还提出了一种新颖的动态多分支网络,它在特征融合阶段采用新颖的动态重建策略,使网络能从多个分支中自适应地确定时间相关的最佳信息。不同于简单的特征相加或者拼接,该动态策略能极大提升视频超分辨率的性能。