基于深度卷积神经网的超分辨重建SR技术取得了出色的性能。不过,SR卷积网对分层特征选择的可解释性还是一个开放性问题;同时,实现特征多样性表达的网络的构造方法也不够明晰。基于稠密网的SR方法在稠密块内利用了卷积层的分层特征,但每一个稠密块深度固定,链式连接,并未利用稠密块间的分层特征。另外在保证图像重构精度的前提下,尽可能加快重建速度是另一个开放性问题。本文针对特征多样性问题和精度与速度的均衡问题展开研究,主要贡献如下:1)针对特征多样性问题,提出了一种嵌套稠密网用于图像超分辨率重建。首先提出一种深度可变的残差稠密块(Variable Residual Dense Block,VRDB)构造方法,稠密块的深度随感受野自适应的变化,解决固定稠密块在小感受野的过拟合和大感受欠拟合问题。其次,构造嵌套稠密结构(Dense in Dense,DID),在多尺度意义下重用分层特征,通过获得尺度伸缩的特征,弥补BN缺失造成的各层训练数据分布不一致的问题。同时全局稠密连接加强了稠密块之间稠密块分层特征信息交流,缓解了更大稠密块数量情况下的梯度消失和梯度爆炸,加快收敛。实验表明,与6种先进网络进行对比,本文所提出的基于VRDB的嵌套稠密网在客观指标PSNR/SIMM和主观视觉感知获得了更出色的性能。2)针对速度与精度的均衡问题,提出了一种反馈稠密网用于图像超分辨率重建。网络通过反馈连接来实现网络节点时序的递归。其优势有三点:一是在每一次递归中,网络参数是共享的,网络参数少,结构简单,重建速度快。二是在时间维度形成的反馈流,保留了前一时刻的高级特征,并作为反馈输入,因此这种反馈的递归结构还有强大的。三是每一次迭代重建的中间SR图像都用来计算网络损失,所有迭代的中间结果都能指导SR重建过程。实验表明,与4种复杂度接近的先进网络进行对比,本文所提出的基于反馈稠密网在客观指标PSNR/SIMM和主观视觉感知获得了更出色的性能。