图像是一种重要的信息载体,包含着丰富的信息,是人类最主要的信息来源。随着高清设备的普及和线上社交活动的增多,人们对于高分辨率图像的需求日益增加。由于成像条件的不足,人们有时候获取的图像分辨率较低,不能满足需求。图像超分辨率,即借助算法来将低分辨率图像重建为高分辨率图像,是解决上述问题的有效方法。随着计算力的提升和深度学习的飞快发展,基于卷积神经网络的超分辨率方法在重建性能上取得了极大的进步。但是,庞大的网络参数量与计算量限制了这些方法在实时场景的应用。对此,本文基于深度学习对轻量级图像超分辨率进行研究,并开展了两个工作:（1）本文提出一种轻量级注意力多尺度图像超分辨率方法。自然图像包含多种尺度的内容信息,其对应于卷积神经网络的多尺度特征。现有的轻量级超分辨率方法大多仅在单一尺度下进行特征提取,存在缺失多尺度特征的问题。此外,这些方法没有充分利用不同层次之间的特征信息。针对这些问题,本文利用结合高效通道注意力机制的轻量级多尺度结构来提取不同尺度下的特征信息。此外,利用双注意力融合模块来自适应地汇集网络提取的不同层次的多尺度特征,充分利用不同层次的特征信息。（2）本文利用生成对抗网络来进一步训练轻量级注意力多尺度超分辨率网络。只使用均方误差损失训练的模型重建的图像虽然在精度上结果更好,但是会出现过平滑的纹理,视觉质量较差。针对该问题,本文进一步利用生成对抗网络来训练超分辨率模型,使其生成视觉效果更佳的图像。与标准的判别器不同,该方法利用类似于U-Net结构的判别器来为生成网络提供更多的监督信息,提升网络的重建性能。具体来说,所提出的U-Net判别器有两个输出,一个是对输入图像在整体上进行判别的概率值,另一个是对输入图像在像素上进行判别的概率分数图。此外,除了均方误差损失、对抗损失,该方法还使用感知损失和注意力损失来训练模型。与主流的超分辨率方法相比,以上的两个工作所提出的模型在标准测试数据集上,取得更高的重建精度和更好的视觉质量,且模型的参数量和计算量更少。相应的消融实验也验证了所提出模块的有效性。本文所提出的方法兼顾模型规模与性能,提升了超分辨率图像的重建精度和视觉质量,具有一定的研究意义。