在视频监控、医学影像、遥感卫星等特殊的应用场景,受到硬件限制、噪声干扰等因素的影响,只能获得低分辨率(Low Resolution,LR)图像。超分辨率(Super Resolution,SR)重建技术通过算法恢复低分辨率图像所丢失的细节信息,弥补硬件的不足。近几年,基于卷积神经网络(Convolutional Neural Network,CNN)的超分辨率重建算法成为研究的热点,使用大量的数据样本,并利用卷积神经网络对低分辨率图像和高分辨率(High Resolution,HR)图像之间的关系进行建模,超分辨率重建的性能得到了极大的提升。目前基于卷积神经网络的超分辨率算法仍然面临许多严峻的挑战,比如细节重建效果差、参数和计算量大、训练难度高,难以应用于实时场景。为了能充分利用低分辨率图像的特征信息,本文从特征增强的角度进行了研究,从而提高超分辨率重建性能。本文对计算量较小和重建性能优异的IDN(Information Distillation Network)网络进行改进,提出了RD-IDN(Residual Dense Information Distillation Network)网络。本文主要的贡献有:(1)在特征增强模块中加入局部残差单元,避免特征的丢失,降低训练网络的难度。(2)使用稠密跳跃连接对特征增强模块的特征进行融合,使得预测模块可以充分地利用低分辨率图像的特征信息。(3)移除双三次插值分支,直接学习从低分辨图像到高分辨率图像端到端的映射,提高网络的泛化性。实验结果表明,本文的方法综合重建性能和计算量两个方面优于许多方法。为了对多尺度特征进行利用以及降低网络对预测模块的依赖,本文基于RDIDN进行改进,构建了PRD-IDN(Pyramid Residual Dense Information Distillation Network)网络。主要的改进有:(1)借鉴金字塔结构,使用渐进上采样方法提取和增强多尺度特征。(2)特征融合过程中,对有用的特征进行增强,对无用的特征进行抑制。(3)改变图像预测的方式,降低网络对预测模块的依赖。实验结果表明,利用了多尺度特征的网络对低分辨率图像细节的恢复能力更强。