图像超分辨率增强算法通过增大图像像素密度对低分辨率图像进行增强,得到相应的高分辨率图像,提升图像清晰度和高频信息量。图像超分辨率增强算法在公共安全、医疗卫生、航空航天和影音娱乐等领域广泛应用,高质量的高分辨率图像不仅提升了图像视觉效果,还有利于计算机对图像场景信息的进一步理解与处理。图像超分辨率增强算法的精度与速度是影响图像超分辨率增强在实际应用中的两个重要指标。当前,基于深度学习的方法较传统方法取得了显著的性能优势。现有基于深度学习的方法大多采用固定参数的静态神经网络,模型表示力有限,图像超分辨率增强效果有待提升。并且,现有方法通过构造大容量网络在追求模型高精度的同时不可避免地带来了参数冗余问题,制约了其在移动端的应用。针对以上两点问题,本文深入研究了基于动态神经网络的图像超分辨率增强算法和相关模型压缩技术。本文主要的工作和创新点如下:（1）针对静态神经网络表示力不足的问题,提出一种基于语义特征先验的动态图像超分辨率增强算法。静态神经网络采取固定参数建模高低分辨率图像对之间的映射关系,忽视了不同图像映射规律的差异性,超分辨率增强结果不准确。为此,本文在静态神经网络中引入语义特征先验,其能根据图像的不同语义信息自适应调整网络参数,提升了网络的灵活性和建模能力,获得更为生动,准确的超分辨率图像。本文首先对语义分割图、语义概率图和语义特征进行了对比分析和实验,确定以语义特征作为先验信息动态调节模型参数。然后将本文算法与静态模型算法进行对比,在大量数据集上验证了本文算法的先进性和优越性。（2）针对动态网络中单一先验信息的不确定性,提出一种基于多层级特征的动态图像超分辨率增强方法。目前大多数动态图像超分辨率增强网络依赖的先验信息过分单一,单一的先验信息对不同类型高、低分辨率图像的区分力不足,动态网络的自适应性有待提升。因此,本文将卷积神经网络的多层级特征作为先验信息,利用多层级特征对图像描述的互补性,提高动态网络的自适应性、提升图像超分辨率结果的准确性。本文首先实验比较了多层级特征的不同组合方式并选出最优组合方法。然后将本文算法和基于单一特征先验的算法进行对比,实验证明多层级特征先验在应对复杂场景图像超分辨率增强任务时增强效果更好。最后实验证明本文所提的基于多层级特征的模型动态调节方法可灵活应用于任一现有静态模型,提升静态模型的自适应性和超分辨率结果准确性。（3）针对超分辨率模型过大和运算复杂的问题,采用模型剪枝和知识蒸馏的方法对图像超分辨率网络进行压缩和优化。现有图像超分辨率方法利用大容量网络在追求模型高精度的同时不可避免地带来了参数冗余问题,对硬件存储空间与算力提出较高的要求,制约了其在移动端的应用。本文利用模型剪枝的方法对模型进行初步压缩,减少模型参数、加快计算速度。为提升小模型的增强效果,本文通过知识蒸馏的方法对小模型进行进一步优化,使得压缩后的模型在超分辨率增强效果不明显下降的前提下,相比压缩前的模型参数量大幅减少、计算速度明显提升。最后,本文通过可视化界面工具Py Qt设计了简单易操作的图像超分辨率增强应用,提供了方便的图像超分辨率服务,为模型的进一步落地优化提供帮助。