近年来,随着深度学习的迅猛发展,超分辨率重建技术得广泛关注。与此同时,随着注意力机制在图像分割、检测等领域大放光彩,研究者也逐渐将注意力机制引入超分辨率方向,并取得了众多显著成果。本文基于注意力机制对超分辨率重建在单一图像和视频方面进行探索性和创新性的研究,并取得了以下成果。针对目前超分辨率网络存在着通道权重的预测破坏了每个通道与其权重的直接对应关系的问题,以及现有网络仅仅只考虑一阶或二阶通道注意力而未能全面考虑不同阶通道注意力的情况,本文提出基于混合阶通道注意力网络的单幅图像超分辨率重建算法。首先,该网络框架利用局部跨通道相互作用策略,将之前一、二阶通道注意力模型的升降维操作改为核为k的一维卷积实现。这样不仅使得通道注意力预测更直接准确,且相比之前通道注意力模型更简单。此外,这个模型还同时采用以上改进后的一、二阶通道注意力模型以综合利用不同阶数通道注意力的优势,提高网络判别能力。在基准数据集上相比于现有超分辨率算法,本文所提出算法的重建图像纹理细节和高频信息恢复地较好,且在Set5、Set14、BSD100和Urban100四个测试集上感知指标分别提高了8.2%、6.4%、6.1%和6.8%。鉴于注意力机制在单一图像超分辨率中取得较好结果,本文接下来研究多帧超分辨率重建,即视频超分辨率。针对基准网络所存在的未能区别对待不同帧特征,即未能更加关注于有用的特征问题,以及基准网络仅是简单的级联所有帧信息而未能充分利用帧间时序信息和帧内空间信息的问题,本文提出基于双注意力时空融合的视频超分辨率算法。具体来说,本文提出了主要由双注意力单元和时空注意力融合模块构成的双注意力时空融合网络。双注意力模块采用并行式空间注意力和通道注意力的方式,将特征沿着通道和空间维度增强以区别不同帧特征,从而抑制较为无用的并传递有用的特征。时空融合模块采用时间注意力和空间注意力在像素级上动态聚合相邻帧,从而实现帧间时序信息和帧内空间信息的更有效融合。在Vid4和Udm10两个测试集上同其他7种先进的视频超分辨率算法相比,无论是在定量数值结果还是定性放大展示图上,本文算法均更有优越性。