当今时代图像已经成为人们获取有用信息重要的媒介之一,而高分辨率图像相对低分辨率图像蕴含更丰富的细节和纹理,因此人们自然会更加青睐获得高分辨率图像。但是在一些场景中,如遥感卫星、红外监控和医学影像等领域,由于成像原理、采集环境或硬件本身的限制,其获得的图像往往会存在分辨率过低、无法提供令人满意的图像细节等问题,因此对于这部分图像通常考虑采用软件技术进行分辨率的提升。而图像超分辨率技术就是将低分辨率图像利用各种算法重建出对应的高分辨率图像,从而解决上述存在的问题,该技术对于研究后续计算机视觉领域中更高层任务提供了很大帮助。目前,基于生成对抗网络的图像超分辨率模型以其能够重建出视觉上更加逼真的图像而受到科研人员广泛关注,但是其存在的训练不稳定、收敛速度慢、重要信息利用不充分等问题仍亟待解决,因此本文基于生成对抗网络对图像超分辨率问题进行研究与改进,主要工作如下:第一,针对生成对抗网络在优化过程中计算散度以及WGAN采用权值裁剪进行Lipschitz限制所导致的训练不稳定等缺点,提出将Wasserstein距离结合梯度惩罚项的方法作为新的度量准则,用于衡量生成数据分布和真实数据分布之间的确切距离,以有效避免权重集中在阈值两端而造成的梯度消失或爆炸的现象。同时在生成器中采用一种全预激活方式的残差单元结构,有效提升模型的泛化性能和图像重建质量。在多个数据集上测试结果表明,该模型获得了较好的图像超分辨率重建效果,并有效解决了原模型因约束方式不合理导致在训练过程中容易出现坍塌的问题。第二,针对WGAN在实际优化两个分布之间的Wasserstein距离时较为困难,提出使用Jeffries-Matusita距离代替Wasserstein距离作为新的判别损失函数,旨在避免求解不合理的度量准则以及复杂的计算问题带来的训练不稳定、收敛速度慢等缺点,同时进一步提升生成样本的质量。根据在CIFAR10和LSUN-bedroom两个数据集上的实验结果,对收敛性和生成样本质量两方面与原模型进行对比分析,均取得了较好的效果。随后将该模型应用到图像超分辨率任务中,在客观和主观质量评价指标上获得进一步提升。第三,针对生成对抗网络平等对待所有信息、重要信息利用不充分的问题,进一步提出引入注意力机制以实现将通道信息、空间信息等融入到模型中,使其能够将不同信息赋予不同权重,关注重要信息并抑制无用信息。主要采用三种不同的注意力机制模块,分别是通道注意力、空间注意力和像素注意力来验证不同注意力模块的不同组合对模型重建效果所产生的影响,同时将残差学习的思想贯穿其中。通过一组消融实验结果表明,引入残差模式下的空间注意力、通道注意力和空间注意力并行级联这两种模块在不同测试集上的整体重建效果提升最显著。