受限于传输带宽和硬件设备等实际条件的影响,最终在终端显示设备上呈现的图像分辨率无法满足人们的视觉需求,尤其是对于要求高清晰度高细节的医疗图像和卫星遥感领域。近年来,随着人工智能和大数据技术的高速发展,深度学习已被广泛用于图像超分辨率重构中。由于图像超分辨存在一对多的不可逆的病态问题,其本质皆在从一张或者多张低分辨率图像恢复具有丰富细节的高分辨率图像。然而当前大多数算法仅仅简单的堆叠卷积层,导致模型参数过多,重构图像出现伪影和过于平滑等问题。为了进一步解决上述问题,本文将提出两种基于深度学习和注意力机制的图像超分辨率重建算法,来着重解决图像超分辨率重建中存在的问题,主要研究如下:1、针对目前大多数方法仅考虑通道项注意力或自注意力机制来建模长距离依赖性,导致模型参数和内存消耗增加,从而阻碍了CNN的表征能力和在边缘设备上的部署。为此,本文提出一种基于双残差全局上下文注意网络模型（Dual Residual Global Context Attention Network,DRGCAN）的图像超分辨率算法。具体来说,首先基于传统的双残差结构,研究改进适合于图像超分辨率任务的双残差单元;（2）级联多个由改进的双残差单元构建而成的残差块,来控制神经网络的宽度;（3）将全局注意力模块引入到由多个残差块级联而成的残差组（DRIR）中,用于有效建模长距离依赖性以提高网络的表征能力;（4）堆叠多个残差组（DRIR）构成的DRGCAN骨干网络并融合了亚像素卷积模块实现了浅层次的粗特征到深层次的精细特征的映射,进一步扩大网络的感受野,充分加强了各层次特征的交流;最后,通过在五个公开基准数据集上的实验分析表明,所提出的模型在视觉质量和内存消耗上均取得具有可竞争性的结果。2、针对现有的基于CNN的图像超分辨率网络结构设计,大多仅考虑通道或空间信息,未能同时充分利用通道项信息和空间信息来提高图像超分辨率的性能。本文提出一种名为混合注意力密集残差网络算法（Mixed Attention Densely Residual Network,MADRN）,其能同时利用通道项信息和空间信息来提高网络特征的可表征性。具体来说,首先通过级联多个残差块构建残差组结构以使得模型专注于学习丢失的高频信息。（2）多个残差组结构通过密集连接实现多层次的特征重用和避免学习冗余特征以增强模型性能。（3）设计了Laplacian Spatial Attention机制,使得模型能够利用超分辨率图像中空间特征之间的潜在关系来产生更精确的视觉体验。（4）基于Laplacian Spatial Attention机制和通道项注意力机制设计一个混合注意力模块（mixed attention module）,并将其引入到每个密集残差组中,使得更好地自适应聚焦于有价值特征的学习。最后堆叠多个密集残差组构成骨干网络和引入亚像素卷积模块实现精准的图像重建并通过大量的实验表明,与SOTA算法相比,在定性和定量结果上都具有相当的性能。