图像超分辨率重建是计算机视觉中的一项关键性技术,旨在将低分辨率图像重建成具有丰富纹理细节的高清分辨率图像。在如视频重建,医学检测、地理遥感、目标识别等众多领域有着广阔的应用前景和重要的研究价值。高分辨率图像模糊退化成低分辨率图像的过程中含有诸多难以建模的复杂因素,该映射是一种一对多的关系,难以一种求解简便的逆函数方法得到超分辨率图像。近年来,随着深度学习的发展以及在图像重建的实际应用,超分辨率重建得到了深远的发展。但在卷积神经网络的实际应用过程中受到多方面因素的影响。一方面,以往模型存在着低分辨率图像空间和通道的全局捕捉能力弱,导致图像重建过程中的纹理与边缘信息恢复情况偏离真实图像,恢复质量不准确等情况;另一方面,盲超分辨率重建问题中存在模糊核预测较为困难、预测信息利用效率较低等问题。本文围绕超分辨率重建现有问题,从低分辨率图像内部特征信息探索与模糊预测两方面展开研究,其主要工作与贡献点有以下方面:（1）本文利用低分辨率图像内在长远距离信息,对现有模型对此建模不足的缺点展开研究,提出了基于混合残差连接和级联注意力机制的超分辨率重构算法。首先,针对图像在空间与通道上信息分布不均匀,造成重建恢复高频信息不足的问题,提出了非局部通道注意力模块和多尺度非局部注意力模块。其核心是学习不同特征层的通道与多尺度感受野之间的关联性,解决低分辨率图像的远距离特征信息难以学习的问题。其次,各部分模块间采用混合残差连接方式,将网络模型中的低层级与高层级特征信息进行融合、保留和学习。在客观指标和视觉感觉上将其与先进算法进行对比分析,最终验证了基于混合残差连接的级联注意力超分辨率模型的有效性。（2）本文提出了一种基于对比学习的盲超分辨率重建算法,进一步探索了多种未知模糊核的图像重建问题。因此,本文提出了一种退化预测网络,该算法根据低分辨率图像的退化信息,采用对比学习的方式将不同退化信息进行自监督聚类分组,最终生成退化信息的高维抽象表示。此外,本文依据先验概率框架,设计了一个退化信息学习模块。来自适应学习低分辨率图像特征与退化信息的关联性,解决了低分辨率图像退化信息效率低的问题。本文通过大量实验证明了提出的盲超分辨率算法可以有效处理多种退化情况,具有良好的性能效果与泛化性。