数字图像是智能媒体时代的主要传播媒介之一。然而,由于图像在获取、压缩和传输过程中容易遭受不可避免的损失,使得实际场景中获取的图像质量降低。图像超分辨率重建是计算机视觉和图像处理领域中的一个经典底层任务,旨在从对应低分辨率图像中生成包含高频细节的高分辨率图像。随着深度学习技术的快速发展,基于卷积神经网络的超分辨率重建方法已被广泛应用于各种研究领域,如医学成像、遥感成像、公共安全、自动驾驶和智能显示等。虽然基于卷积神经网络的图像超分辨率重建算法取得了不错的实验性能,但在实际应用过程中仍然存在许多亟待解决的挑战性问题,例如:无引导图像超分辨率重建任务中模糊核预测精确度低与退化方式不一致问题、引导图像超分辨率重建任务中引导图像信息迁移不佳问题。针对上述问题,基于卷积神经网络的强大学习能力,开展对图像超分辨率重建算法的研究与探索。具体研究内容主要包括:现有的无引导图像超分辨率重建任务中的模糊核估计算法一方面需要在测试阶段迭代优化训练,导致消耗时间过长;另一方面基于低分辨率图像空间域对模型进行优化,使得预测模糊核的准确度欠佳。针对上述问题,提出了一种基于模糊核空间域优化的模糊核估计网络,减少由间接优化方式造成的估计误差。此外,网络模型基于一个自适应注意力损失函数训练优化模型参数,增加对模糊核空间中退化影响程度更高区域的关注度。实验结果表明,所提出的模糊核估计网络不仅可以得到精确的模糊核,而且可以与针对多种退化方式的图像超分辨率重建网络模型相结合获得先进的盲图像超分辨率重建性能,其模糊核估计和超分辨率重建的峰值信噪比分别至少提高了13.58dB与0.89dB。现有的基于卷积神经网络的超分辨率重建算法大多假设退化方式是已知且固定的,如双三次插值下采样退化。然而,当实际退化方式与训练退化方式不匹配时,算法模型的重建性能遭受严重下降。针对上述问题,提出了一种基于前置校正网络的盲图像超分辨率重建网络,使得基于单一固定模糊核训练的超分辨率重建网络同样适用于其他未知模糊核。具体而言,前置校正网络由模糊核估计网络、校正滤波模块和校正优化网络组成。模糊核估计网络从输入低分辨率图像中预测未知模糊核;校正滤波模块根据预测得到的模糊核校正输入图像使其服从特定退化分布;校正优化网络调整滤波输出图像,消除模糊核误匹配或误估计的影响。在不同数据集上的实验结果表明,所提出的前置校正网络与针对单一退化方式的图像超分辨率重建算法相结合获得了先进的盲图像超分辨率重建性能,其峰值信噪比至少提高了0.72dB。目前主流的引导图像超分辨率重建任务中的算法模型大多单方面地将引导图像中的高频结构信息迁移到目标图像中,忽略了引导图像与目标图像之间的对应关系。针对这一问题,提出了一种基于双自编码器注意力网络的引导超分辨率重建算法。该算法模型主要包括两个子网络模型,其中引导自编码器网络用于重建高分辨率引导RGB图像,同时提取高频结构特征迁移到目标自编码器网络中;目标自编码器网络融合高频结构特征并重建高分辨率深度图像。具体而言,所有的自编码器网络采用相似的网络结构,并同时进行训练,以确保结构一致性。此外,在模型中引入注意力机制来增强高频边缘区域的特征提取。实验结果表明,所提出的双自编码器注意力网络模型取得了先进的引导超分辨率重建性能,其均方根误差至少减少了0.17。