图像是人类社会活动中最常用的信息载体,可以直观生动的描述客观对象的信息。通常高分辨率的图像呈现的细节信息更丰富,所以学者们提出一种超分辨率重建技术,它可以将低分辨率的图像通过一定的算法重建到视觉上让人愉悦的高分辨率图像,在医疗成像、卫星成像和安全成像等众多领域中都有着广泛的应用。基于深层网络结构的超分辨率重建模型可以较好的学习数据的内在规律和层级表达,有助于图像高频细节信息的恢复。但现有的深度学习模型存在着网络结构复杂,计算量大以及在图像重建过程中因特征图的低频分量和高频分量被同等对待,导致难以更好的重建图像细节信息等问题。为解决这些问题,本文设计一种基于深度学习的超分辨率重建模型,分别从网络结构设计和损失函数的改进等方面进行了研究。本文的主要工作包括以下几个方面:1.为更好的学习利用图像高频信息,本文引入特征图注意力机制,它可以利用特征信道之间的相互依赖性来自适应地调整信道特征,以达到增强特征表达能力的目的,从而恢复出更多轮廓、纹理等细节。2.为了更好的利用不同层级的特征信息,设计一种包含信息增强单元和压缩单元的信息蒸馏网络,利用局部浅层网络特征和局部深网络特征相融合来获得更多的有效信息,并使用分组卷积的方式提高网络的训练速度,在使用更少的卷积层的情况下确保图像重建的质量。3.在网络的重建层中引入亚像素卷积,使网络可以直接在输入的低分辨率图像上进行特征提取操作,避免了网络对输入图像的插值预处理过程,降低了计算量。4.研究分析了两种在图像超分辨率重建网络中常见的逐像素损失函数MAE和MSE的收敛特性,并结合两种损失函数的优点对网络进行训练,使网络能发挥出更好的性能。在Set5、BSD100、Urban100以及Manga109数据集上的实验结果表明,本文提出的网络能有效提升图像的视觉效果,同时也证明了特征图注意力机制在超分辨率细节重建中的作用。