图像作为人们交流、获取信息的重要载体,在日常生活中有众多不可替代的应用场景。高清的图像能带来更好的观感,同时还能携带更多的信息。图像超分辨率（super-resolution,SR）重建技术是指从低分辨率（low-resolution,LR）图像重建出对应的高分辨率（high-resolution,HR）图像的技术,在医学影像分析、天文观测、视频监控等诸多场景中都有广泛的应用。近年来,随着深度学习技术的发展,各式各样的基于深度学习的方法也被应用在了图像超分辨率任务中,并且取得了引人瞩目效果。然而,基于深度卷积神经网络（convolutional neural network,CNN）的模型重建出的图像仍然不够清晰,对于图像的小区域的细节不能良好的重建。基于生成式对抗网络（generative adversarial net,GAN）的模型虽然能够重建出观感更舒适,细节纹理等高频信息更丰富的图像,但是往往在细节部分比较模糊,结构失真。针对这些问题,本文为了能够重建出更高质量的HR图像,分别对现有的基于CNN的模型和基于GAN的模型进行了改进。本文主要的工作可以概括为:（1）针对基于CNN的SR算法重建出的HR图像观感不够清晰,对于图像的小区域细节不能良好的重建等问题提出了嵌套密集连接注意力网络（nested dense attention network,NDAN）。在NDAN中提出了嵌套密集连接结构,充分利用LR图像中的低频信息与神经网络中间层的各级特征。同时,NDAN中还融入了高效的注意力机制与非局部运算模块,能够有效地捕获特征间的交互信息,对特征进行再校准,使得图像小区域的重建效果得到了提升。（2）针对基于GAN的图像SR重建算法重建出的图像细节部分比较模糊,结构失真的问题,提出了嵌套密集连接生成式对抗网络（nested dense GAN,NDGAN）。在该方法中应用了对GAN的优化方法,同时还使用了包含嵌套密集连接结构与注意力机制的生成器网络,大大提高了模型的性能,使得模型在充分训练后能够从LR图像中重建出细节更清晰、更真实的HR图像。本文使用公开的数据集训练和测试所提出的两种模型,大量的实验充分验证了所提出的两种方法的有效性。