图像超分辨率重建是计算机视觉领域一项重要的研究课题,该技术可以帮助人们提高图像的分辨率,在低分辨率图像上恢复出包含更多细节的高频信息。近年来,更多的研究开始结合卷积神经网络等深度学习技术来进行图像超分辨率重建,这也使图像的重建效果越来越好,相较于传统方法有极大的提升。然而目前在图像超分辨率重建上仍然存在一些挑战:一方面是面对图像中不同通道以及空间位置的特征,如何充分提取并有效地融合这些特征;另一方面是现有算法虽然在降采样的低分辨率图像上有较好的重建效果,然而由于模糊和噪声等干扰使得模型难以泛化到真实图像。为了克服以上问题,本文主要围绕基于深度学习的图像超分辨率重建算法展开研究工作,研究内容主要体现在如下两个方面:（1）针对如何充分提取图像不同通道和空间位置的特征并且进行有效融合的问题,本文提出了一种基于空间注意力和多层次特征融合的图像超分辨率重建模型。通道级层次结构特征融合将通道分为多个层次,通过分层结构逐步融合的方式不仅可以有效地学习不同通道的特征,还可以解决参数爆炸的问题。空间注意力特征融合利用空间注意力机制来融合层次特征图,让网络对图像空间中的关键特征给予更多的关注。将以上两种策略连接组成多层次融合块,该模块可以组合生成目标区域关键纹理的通道和空间注意力特征图。对多个多层次融合块采用密集连接构成密集融合组,既能有效融合所提取的深层特征,还能加速深层模型的训练。将所提算法与现有的其他算法进行对比,在不同的公开基准数据集上的实验表明,所提算法不仅在峰值信噪比和结构相似性指标上有所提高,重建图像的感知质量也得到提升。（2）针对复杂低分辨率图像中的模糊和噪声对模型提取特征存在干扰的问题,本文提出了一种基于生成对抗网络的分步图像超分辨率重建算法。该算法首先让复杂低分辨率图像经过所提出的增强模块,由于降采样的图像相对来说是更理想的低分辨率图像,所以将其作为增强的目标图像,利用基于生成对抗网络的模型训练图像增强模块。该增强模块可以有效地消除输入图像中原有的模糊和噪声,减少模糊和噪声对模型提取特征的干扰。其次为了获取具有更好感知质量的重建图像,在模型的第二步中使用基于生成对抗网络的模型进行超分辨率重建,不仅可以减少重建图像中出现的伪影,还可以在重建图像中产生更真实的纹理细节。对基准数据集的评估表明,所提出的模型在复杂低分辨率图像上的重建取得了更好的峰值信噪比和结构相似性指标,并且重建图像在视觉感知方面也取得了更好的效果。