遥感进行远程的数据采集,获取大范围的区域信息。遥感图像在农业领域可进行植物观测,在气象领域可进行天气预报,在地质领域可进行环境探查,在各种领域都可以发挥作用。近年来,遥感图像的空间分辨率获得了提高,图像涵盖更多信息,每个像素点代表的地面区域更大。相对地,遥感图像中的对象变得更密集、更难以判别。在保证高空间分辨率的同时,从硬件的角度来提升成像分辨率较困难,不仅研发成本高昂,数据的传输成本也会增加。本文旨在通过神经网络的方法将硬件采集到的低成像分辨率遥感图像生成为更清晰的图像。本文主要工作可以分为以下三个部分。第一,将现有的网络模型,用于单图像超分辨率的增强深度残差网络（Enhanced Deep Residual Networks for Single Image Super-Resolution,EDSR）,应用于遥感图像的四倍超分辨率重建。针对于连续的上采样操作在进行四倍放大时无法有效提取特征的现象,采用残差网络来间隔上采样操作。将深度残差模块作为上采样的一部分,将两次上采样用残差网络进行分隔,先学习更复杂的非线性映射后再进行放大。实验结果表明,将深度残差模块作为上采样模块的一部分后,在相同参数量下可以提高遥感图像四倍放大时的重建效果。第二,对于四倍放大时图像细节模糊的问题,将用于单图像超分辨率的增强深度残差网络与卷积块注意模块（Convolutional Block Attention Module,CBAM）进行结合提出基于像素注意力的遥感图像重建网络。该网络结合了通道和空间两种注意力方法,将深度残差提取出的特征先在通道维度进行加权平均,再在空间维度进行加权平均,自适应的学习两种权重。实验结果表明,与用于单图像超分辨率的增强深度残差网络相比,该网络可重建出更好的细节。第三,根据遥感图像中色彩越杂乱的区域重建越困难的现象,本文提出了一种可以模拟方差关系的、二阶的聚合像素注意力模块。不同于采用空间维度的池化层进行聚合的传统方式,本文通过计算特征像素与周围像素之间的方差来聚合注意力。根据方差的公式推导,采用两个特征逐像素相乘的方式可以自适应的表示出图像的二阶关系。因此采用特征逐像素相乘来代替池化层进行聚合,可以根据色彩的方差关注色彩更杂乱的区域。实验结果表明,在遥感图像的四倍超分辨率重建中,该方法获得的图像更容易辨识出较小的对象。此外,本文探索了在较早的层中引入高阶表示对重建效果的影响,以及与增强上采样结合后的效果。