图像超分辨率任务主要是通过一系列硬件或软件技术方法来将某一幅图像失真退化后产生的模糊图像复原成清晰逼真的高分辨率图像的技术过程。这种图像超分辨率技术在国防安全,医学中的影像病情分析等领域具有广泛的应用价值,因此图像超分辨率重建问题也成为当下的研究热点。由于硬件层面开支较大,现有图像超分辨率重建方法主要是在软件层面上的应用较为广泛,随着社会和工业的进步,传统图像重建技术领域难以满足现代社会发展的需要。而随着人工智能,卷积神经网络的出现,研究人员将卷积神经网络用于图像超分辨率重建领域,取得优良的效果,该技术很快成为了图像领域的研究热门,但也存在众多的难点。其主要难点问题是（1）由于特征图不同深度区域具备不同尺度的感受野信息,而现有网络大多尺度单一,只提取固定大小的局部感受野信息,导致特征提取尺度单一。（2）现有网络模型对图像的高频纹理细节信息关注度不够,导致重建后的图像边缘纹理不清晰。（3）网络模型中不同深度提取到的图像特征信息不能有效传递,导致特征利用率不足,影响重建效果。为此,针对上述问题,论文在SRCNN基础上设计出两种图像超分辨率重建方法。针对问题（1）,论文设计出基于多尺度残差网络的图像超分辨率重建算法MCRN,MCRN在网络宽度上并联多个不同尺度大小的卷积核组成多尺度残差单元MRT,通过设计的多尺度残差单元融合不同尺度的特征信息,提高了网络模型提取不同尺度图像特征的能力,捕获更加丰富的感受野信息,再结合跳跃连接的方式加强网络宽度上不同网络路径和网络深度间的信息传导能力,有效实现了网络不同路径及深度之间的特征复用。为解决问题（2）和（3）,在MCRN的基础上设计出基于多级特征融合网络的图像超分辨率算法IBFN。为解决问题（2）,IBFN采用设计的多维注意力机制MRSF,先通过标准卷积实现通道上的注意力效果,再引入深度可分离卷积DSC实现空间域上的注意力机效果,有效提高网络对通道和空间域高频信息的关注度,将更多的训练资源分配于高频信息同时还有效减少了参数。为解决问题（3）,IBFN设计出一种多级特征融合的连接方式（MNL）,通过采用的多级跳跃连接方式使得构建的残差块的输出特征能够得到有效传递,提高各深度的图像特征信息利用率,同时将各残差块的输出特征进行特征融合,获取丰富的特征信息,最后在重建阶段采用补偿重建模块（CR）对上采样放大后的图像进行修复,重建出高分辨率图像。论文以DIV2K数据集为训练数据集,来分别对论文的MCRN模型和IBFN进行训练,采用了峰值信噪比指数（PSNR）以及图像结构相似度指数（SSIM）两种数值评估指标,对模型生成的图片质量进行了客观的评估,再根据人眼视野对生成的图片质量进行了主观视觉特征上的辨别和分析,以此对经图像超分辨率重构生成的图像质量做出了总体评估。将论文方法同几种先进方法在测试数据集Set5,Set14和BSD100上进行×2,×3,和×4尺度因子的重建操作,通过实验数据得出论文中算法的数据指标PSNR及SSIM均高于其它几种对比的先进方法。且最终生成的图像在视觉效果上看,MCRN和IBFN生成的高分辨率图像纹理细节更丰富,清晰度较高,整体效果上更接近原始高分辨率图像。