显微CT是一种非破坏性的3D成像技术,可以在不破坏样本的情况下了解样本的内部显微结构。在石油地质领域,岩石作为最基本的研究对象,其特性能够直接反映出油气田的分布和存储能力。通过对将显微CT应用于岩芯样本而得到的岩芯断面CT图像进行计算机视觉处理,可实现岩石物性特征分析和计算的目的。在图像超分辨率领域中,深度学习可以依靠图像驱动来获得较优的网络模型,该类模型可直接从低分辨率图像重建出高分辨率图像,且重建后的图像较传统方法而言具有更为丰富的细节信息。因此本文选择采用深度学习的技术路线,以基于生成对抗网络的图像超分辨率重建算法（SRGAN）为基础,对其进行改进研究,并重点应用于岩石显微图像的高分辨率重建,主要工作有以下两点:（1）提出基于多尺度残差结构和通道注意力机制的SRGAN生成网络改进方法。多尺度残差结构可以获得较传统残差结构更为丰富的特征信息,通道注意力机制可以突出多维特征中的有效通道特征。采用多尺度残差结构代替SRGAN生成网络中的残差结构并引入通道注意力机制对所得特征进行处理,使得有效高维特征可以更好地实现图像的超分辨率重建。实验结果表明,所提出的改进方法相较于SRGAN参数量降低了39.43%,且对于碳酸岩和砂岩数据集,峰值信噪比（PSNR）分别提升了0.09dB和0.17dB,结构相似度（SSIM）分别提升了0.003和0.002,同时主观上图像纹理恢复更接近原图。（2）提出基于空间注意力机制的SRGAN生成网络改进方法。为避免通道注意力机制计算时压缩操作导致的空间信息丢失,采用空间注意力机制对SRGAN生成网络进行改进,同时在损失函数中结合岩石显微图像的孔隙度特征。分别采用自注意力机制和多头自注意力机制对生成网络中的高维特征提取结果进行处理,使其具有绝对大的感受野信息,同时多头自注意力机制中的位置编码可以进一步提升模型的表征能力。在碳酸岩和砂岩数据集上的实验结果表明,引入自注意力机制的SRGAN,其PSNR分别提升了0.94dB和0.23dB;而引入多头自注意力机制的SRGAN,对于显微图像的中心区域,PSNR分别提升了0.11dB和0.38dB,SSIM则分别提升了0.004和0.003。