单帧图像的超分辨率重建技术旨在把一幅降质图像恢复为其未降质前的高品质图像。其在卫星遥感、医疗成像、安防监控、图像压缩等领域有普遍应用。近年来,伴随深度学习研究发展,已经形成了一套成熟的单帧图像超分辨率重建技术体系。基于生成对抗网络的超分辨重建技术通过生成网络的与判别网络的博弈对抗思想实现图像重建。在生成网络设计上,现有生成网络模型层数深,参数多,训练与重建成本高;且使用的残差结构并未考虑到神经网络对于图像先验信息的捕获能力,在重建过程中未能更大程度运用图像先验信息。在判别网络设计上,现有判别网络也未对生成网络在短时间内生成高质量图像,VGG结构的判别网络因为训练速度更慢失去对生成图像与真实图像的判别能力情况改进。随生成网络能力增强,其重建的图像可轻易骗过判别网络,使对抗模型崩塌。针对上述问题,本文的主要贡献如下:1、对于SRGAN等生成网络模型参数多,层数深的问题,本文使用注意力机制模型的CBAM模块进行改进。注意力机制可强化网络有用特征,抑制无用特征。将注意力机制引入超分辨生成模型中可增强网络的表现能力,在保证网络重建质量的同时,对生成对抗网络中生成器的网络结构进行优化。在Set5数据集上,引入注意力模块的轻量化生成网络与没用该模块的网络重建效果近乎一致,甚至优于原生成网络,且整体对训练时间需求更小。以Set14与BSD100数据集选用的图片进行重建,图片重建效果也与原网络接近,且重建时间缩短。采用轻量化网络参数也较之前也明显的减少,较原网络减少近38%。2、对图像先验能力改进的问题,提出一种学习图像先验能力更强的递归UNet超分辨生成对抗模型。输入图像先经过亚像素卷积层放大至重建尺寸,再通过两层卷积网络进行特征提取传入递归结构U-Net。U-Net用增加卷积核步长的方法进行下采样,使用亚像素卷积的方法对其进行放大。最后经过两层非线性映射的卷积层将特征图重建为图像。递归传递过程中,下采样与上采样过程间使用跳跃连接进行特征补偿。在判别网络方面,以原VGG结构的判别网络为基础,先使用残差块对输入图像特征提取,后下采样得到更局部的特征,通过全连接层得到分类概率。该结构在Set5、Set14、BSDS100、Uraban100和Manga109五种公开的数据集对重建质量进行评估。经过4倍下采样的超分辨重建后,可以看出其在PSNR与SSIM上有提升。以Set5,Set14,BSDS等五种标准数据集作为基准,在PSNR指标上平均提升1.55d B,在SSIM指标上平均提升0.059。实验表明递归结构的U-Net生成网络比残差结构的生成网络学习图像先验信息能力更强,使用递归结构U-Net设计的超分辨生成对抗网络有效提升了图像重建质量。