图像作为最常见的信息形式之一,被广泛应用于各行各业。图像的分辨率是衡量其所含信息量的重要参数,然而在实际应用中图像的分辨率通常难以满足需求,因此图像超分辨率重建算法应运而生。图像超分辨率重建算法的目标是从低分辨率图像高效地重建出高分辨率图像,其凭借灵活性强、实现成本低等优势,正逐渐成为热门的研究方向。随着深度学习的发展,基于深度学习的图像超分辨率重建算法正表现出强大的重建性能,而这类算法几乎都以构建卷积神经网络的方式实现端到端的图像重建,因此网络的结构在很大程度上决定了算法的重建性能。本文探索用于图像超分辨率重建任务的卷积神经网络的结构设计,致力于高重建质量和高重建效率的图像超分辨率重建网络的研究,主要工作如下:首先,为了更好地学习和利用不同的层次化特征从而恢复出更多的细节信息,本文提出一种快速且准确的深度分形残差网络。该网络以分形规则建立分形块,分形块中含有多条不同的特征提取路径,从而可以提取不同的层次化特征并通过融合操作将其充分地利用。同时,网络中引入全局和局部残差学习,充分保留了低层次的图像特征并降低了网络训练的难度。此外本文还提出了一种权重共享的模型,在几乎不影响重建表现的情况下显著减小了模型的参数量。实验表明,本文提出的网络可以有效地提取各种层次化的特征,并在多个公共数据集上表现出良好的图像超分辨率重建性能。其次,为了进一步降低模型规模并提高网络重建性能,本文从感受野和频率信息的角度出发,提出一种轻量化的图像超分辨率重建网络。该网络使用反亚像素操作对特征图的空间尺寸进行变换,在提高网络对不同频率信息的特征提取能力的同时显著减小了网络的计算量,从而兼顾了重建性能和模型规模。为了进一步压缩模型规模并提高实用性,本文采用多尺度方式构造和训练网络,从而单一模型可适用于不同缩放因子的重建过程。该网络在重建质量和模型规模之间实现了更好的平衡,提高了重建效率且在重建指标和视觉质量上仍有很好的表现。最后,本文提出一种轻量的注意力机制,并基于该注意力机制设计了名为残差密集注意力网络的图像超分辨率重建网络。该注意力机制融合了通道注意力以及全局/局部空间注意力,能更好地关注特征图的不同通道和不同空间位置,从而有助于凸显对重建过程更重要的信息。此外,网络中引入了残差学习和密集连接结构从而更好地保留浅层提取到的特征并实现特征复用。本文提出的注意力机制能以很小的额外计算量和参数量为代价显著提升网络的重建性能。同时相比于相近规模的网络,本文提出的网络具有更优秀的重建表现,能应对更复杂的重建任务,恢复出更多更准确的图像细节。