作为一个具有挑战性的不适定问题,图像超分辨率技术一直都是计算机视觉领域的研究热点,在社会生产生活的多个领域都有着极大的应用前景。得益于计算机硬件算力的大幅度提升和算法的进步,深度学习算法在图像超分辨率领域取得了最优的性能表现,但在真实场景中深度学习算法仍面临着诸多挑战。因此,本文聚焦于真实场景下的图像超分辨率算法进行研究。通过设计复杂度更高的神经网络架构和选取有效性更强的优化目标,基于深度学习的图像超分辨率算法性能不断地提升。但由于现有算法的泛化性能较差,在处理真实场景下复杂且未知的退化问题时性能会急剧下降。针对以上问题,本文提出了一种空间可变退化的图像超分辨率网络。空间可变模糊核估计模块为超分辨率网络提供了一个像素级的空间可变模糊核估计,使网络不仅能处理不同图像之间退化情况不同的问题,也能解决同一幅图像内部不同区域退化情况不一致的问题。此外,为了充分利用模糊核估计模块所提供的退化信息,本文在网络的每一个残差块中加入了仿射变换层以调整网络中的特征参数,进而获得更高质量的重建图像。实验结果表明,本文算法在处理真实场景下复杂且未知的退化问题时性能表现优于经典SR算法。对图像的像素级空间可变模糊核估计赋予了网络强大的处理不同退化的能力,有效解决了真实场景中复杂且未知的退化问题。然而,显式的像素级模糊核估计在一定程度上增大了网络的复杂度。针对以上问题,本文采用无监督对比学习训练了一个编码器以学习图像的抽象退化表示,以抽象的特征作为网络识别不同退化情况的依据。为了充分利用该退化表示信息,在网络的每一个残差块中采用了自适应特征调整层以调整网络中的特征参数。实验结果表明,该算法在减小网络复杂度的同时,定量的PSNR指标在不同的测试集上相较于传统算法最高有9%的性能提升且主观的视觉表现也优于传统的SR算法。