图像是信息的载体,图像的质量就是信息的质量,而超分辨率重构则是一种能够改善图像质量的技术,该技术在卫星遥感、监控图像、医疗诊断、生物识别等各项领域中都有着广泛的应用,具有很强的研究价值和应用价值。而随着深度学习在超分辨率重构领域的广泛使用,重构精度相比传统方法已经得到了质的飞跃。但目前的超分辨率重构模型存在着参数量大、推理速度慢等问题,阻碍了超分辨率重构技术应用于实际生活当中,因此,研究轻量化的超分辨率重构模型迫在眉睫。本文针对以上问题,提出了以下两种轻量化的超分辨率重构算法:（1）基于像素注意力的超分辨率重构轻量化算法。常规的通道注意力和空间注意力不适用于低级计算机视觉任务,像素注意力又缺乏上下文信息且计算复杂度较高。针对该问题,本文设计了一种低维像素注意力,使得权重矩阵可以在低维空间中完成计算,减少了计算复杂度,增加了感受野,能够有效增强模型的精度。经典的稠密连接中使用通道拼接的方式进行特征重用,导致模块参数量和计算量较大。针对该问题,本文提出了使用元素加法替换通道拼接,剔除了用于通道压缩的冗余卷积层,极大地减少了稠密连接的参数量和计算量。基于这两种改进,本文构建了一种残差稠密注意力网络,结合残差连接、稠密连接和低维像素注意力的优点,仅用较少的参数量就取得了良好的重构效果。（2）基于蒸馏连接的超分辨率重构轻量化算法。常规的轻量化模型往往对卷积操作进行分解,使得模型操作步骤增加,导致推理速度较慢。针对该问题,本文提出了一种蒸馏连接,将浅层特征进行特征重用,充分利用每个卷积层提取到的特征信息进行融合,提高信息总量,使得模块仅用少量的卷积层即可提取到丰富的特征信息,减少操作步骤,加快运行速度。常用的全局残差结构对模型的精度提升有限。针对该问题,本文引入全局融合结构,将每个模块的输出特征信息融合起来,充分利用多级特征,提高了最终的重构质量。基于这两种改进,本文构建了一种残差蒸馏注意力网络,结合残差连接、蒸馏连接、低维像素注意力和全局融合结构的优点,使得模型参数量少、计算量小、内存占用低、推理速度快且精度高。