图像的超分辨率重建（Super-Resolution,SR）是计算机视觉领域研究的重点之一。传统的图像SR算法通过估计图像的退化模型来对低分辨率图像进行重建,通常存在重建图像纹理不连续,视觉质量差等问题。近年来,随着深度学习技术的不断发展,虽然基于深度学习的SR算法取得了远超传统算法的重建效果,但是仍然存在着明显的缺陷,如:重建图像纹理细节不完善;相对于重建图像客观评价指标,重建图像主观视觉质量不能满足要求;海量的模型参数导致计算量巨大,训练好的模型难以部署到应用端等问题。针对上述三个问题,本文从不同的角度,提出了三种图像SR深度神经网络模型。本文的主要工作和创新点如下:首先,针对重建图像的纹理细节不完善的问题,提出了基于双重注意力机制的SR网络。该网络通过设计特殊的特征提取网络连结空间注意力机制和通道注意力机制,选择性的学习低分辨率图像中的特征,更加关注低分辨率图像中的高频信息,抑制其中的低频信息,从而使网络更加关注图像的纹理细节重建。实验证明本文所提出的基于多种注意力机制的SR网络,在重建图像的纹理细节恢复上,有十分明显的提升。其次,针对现有的SR网络重建的图像人眼视觉效果不佳的问题,提出了基于生成对抗网络的高频信息融合SR网络。该网络通过设计一个轻量级的空间注意力模块,同时对ESRGAN的网络构架加以改进,搭建了一个高频信息融合的特征提取网络。最终再辅以一个高频损失函数来优化生成器网络的训练。实验结果表明,该网络重建的图像不仅仅取得了十分优秀的人眼视觉效果,而且与一些其他的基于生成对抗网络的SR网络相比,本文的模型所重建图像,在纹理细节上更加清晰。再次,针对现有的SR网络为了追求更好的评价数据而一味地增加模型的层数,导致模型的参数量和计算量巨大,难以部署到移动端的问题,提出了基于特征廉价卷积的SR网络。该网络以特征廉价卷积操作为基础,辅以轻量级的通道注意力机制,构建了一个多级信息融合特征提取网络,该网络可以获取低分辨率图像中由浅层到深层的特征;同时以梯度损失函数来优化网络的训练,让整个SR网络仅仅以600多K的参数,38层的网络,便获取了十分优良的重建性能。实验证明该SR网络与其他的轻量级SR网络相比,具有重建性能好,参数量低,重建时间短等突出优点,拓展了SR技术的应用范围。最后,对本文所提出的三个算法进行了详细的对比,对本文的研究工作中的不足进行了总结,同时对未来图像SR技术的发展方向进行展望。