图像的超分辨率技术是计算机视觉领域的热门研究课题,其优点在于成本低,重建效果好,现在已经被广泛应用到医学图像、天文图像、监控图像等领域。近几年,深层卷积神经网络在图像超分辨率任务上有着不错的表现,但是存在计算量大和实时重建速度慢等缺点;除此之外,现有的超分辨率算法极少关注特征通道之间的相关性。即使引入通道注意力模块以增加特征通道之间的相关性,但该模块适用性不强。为了改善现有超分辨率的缺点,本文提出两种改进算法:(1)基于局部增强的轻量级算法(SR＿fast)。SR＿fast算法通过级联若干增强块的方式,提取深层次特征。在增强块内部,从通道上对特征图进行分离,对相关特征进行保留,通过多次卷积操作提取更加有用的特征,最后融合所有的特征。在降低参数量方面,主要利用压缩模块和注重局部增强的增强块来进行改善。(2)基于注意力和局部特征增强算法(SR＿quality)。SR＿quality算法是SR＿fast的改进版。该算法通过融合所有增强块的输出,并加入混合像素均方差、全局平均池化、残差结构的通道注意力模块,从而获取更高的重建质量。实验结果表明,与现有算法相比,本文提出的SR＿fast算法能够保证重建质量的同时拥有最佳的实时重建速度和较少的参数量,SR＿quality算法拥有优秀的重建质量和细节纹理恢复。