图像超分辨率算法能够在成像设备性能受限的情况下,提高图像分辨率,恢复图像高频细节,提升视觉感官效果,是计算机视觉领域的一个重要分支。目前基于深度学习的图像超分辨率算法研究趋向于通过加深和加宽网络来提升性能,但这样做也可能带来梯度弥散和特征冗余等问题,从而引起网络退化,并且大多数研究忽略了不同尺度特征的充分利用,进而影响了网络重建效果。此外,目前研究主要使用理想降质模型（例如双三次插值降采样）获取低分辨率图像,而在真实场景中图像降质会受到噪声、模糊和机械振动等诸多因素的影响,过程比较复杂且难以量化,不符合理想降质模型的假设,导致超分辨率算法应用在真实场景时性能严重下降。本文针对以上问题进行深入研究,主要工作如下:（1）提出基于多尺度卷积和残差密连注意力结构的图像超分辨率重建算法。通过引入多尺度卷积和残差密连方法以及注意力机制对SRRes Net中的特征提取结构进行改进,设计一种多尺度残差密连注意力结构,充分利用了丰富的多尺度特征信息,促进了信息的筛选与流通,并通过融合局部和全局特征来解决网络长期依赖的问题。在对比实验中本文提出的算法在客观与主观指标上均取得了较好的效果。（2）改进基于模糊核估计的图像降质方法。改进的降质模型从真实场景的低分辨率图像中提取模糊核信息和噪声信息,并将这些先验知识作用在高分辨率图像中生成接近真实场景的低分辨率图像,以此构建符合真实场景分布的数据集。经实验证明,使用改进的降质方法训练的超分网络在模拟和真实图像实验中性能均优于理想降质方法训练的网络,有效提升了超分辨率网络在真实场景中的应用效果。（3）将上述超分辨率方法应用到交通标志识别场景。交通标志图像由于现实场景的限制,图像质量普遍不高,识别准确率较低。本文利用超分辨率技术提升交通标志识别效果,并提出超分级联网络对目标任务进行针对性优化。通过实际应用证明了超分辨率技术不仅可以提升真实场景的图像质量,也有助于提升其他计算机视觉任务的效果。