超分辨重建,包括尺度提升重建和去模糊重建,是指从低分辨或模糊图像中逆向重建为清晰的图像,可以应用于高清视频、医学影像、安防、计算摄影等多项领域,部分时候也承担着计算机视觉高维应用的前置预处理工作,如目标检测与分割中的去模糊,文字识别中的文本增强和网纹去除等。大部分基于深度学习的超分辨图像重建方法是根据经验及多次实验手工设计的,这种方式存在的问题在于,不同的网络需要在不同的超分辨场景下进行训练,网络在结构和损失函数等诸多方面都存在差异。为了弥补上述手工设计网络的不足,近年来也出现了使用神经结构搜索方法（Neural Architecture Search,NAS）来搜索超分辨图像重建网络结构的思路,但仍在损失函数、色彩空间、训练方式等方面引入了大量的人工先验知识,且大多数搜索方法使用了遗传算法,搜索空间大,导致了搜索时间长。为此,本文提出了神经组件搜索（Neural Component Search,NCS）方法,扩充了搜索空间的表征范围,同时使用超图权值共享的方式加速搜索速度。本论文的主要研究内容如下:（1）设计了神经组件搜索方法,针对神经结构搜索方法的搜索空间仅局限于网络结构的不足,神经组件搜素方法将损失组成和色彩空间也作为搜索空间的一部分。其中损失组成包含了像素损失、个体噪声损失和对抗损失,是否选择对抗损失也决定了网络的训练方式。（2）用提出的神经组件搜索方法在特定约束条件下搜索超分辨图像重建网络解决跨尺度超分辨问题,设计了共享生成器和共享鉴别器的搜索空间。共享生成器由浅层特征提取、自适应特征提取、深度特征提取与重建、上采样四个模块组成;共享鉴别器被设计为一种较为精简、自由度相对较低的模型,由五个鉴别器模块和全连接层组成;同时设计了四种损失函数搜索空间和两种色彩搜索空间。在上述设置下,根据不同的计算量约束条件,搜索出了不同的网络,通过实验验证了神经组件搜索方法的搜索效率和搜索出的模型性能。（3）设计端到端的运动模糊去除网络以解决同尺度超分辨问题,同时提出了一种运动模糊数据模拟方法对训练集进行扩充,该模拟方法的本质是模拟被摄场景相对于传感器中心的随机运动轨迹,通过运动轨迹生成运动模糊核,从而得到模糊图像。通过实验验证了提出的端到端运动模糊去除网络的推理速度和性能。（4）研究超分辨技术与人体动作分类模型相结合对动作分类精度的提升,通过对待检测视频进行超分辨帧处理提高人体骨架的检测精度,从而提高骨架时空图的构建精度,实现动作分类精度的提升。实验证明,无论是在Kinetics验证集还是真是自然场景摔倒检测应用中,超分辨帧处理均能对动作分类模型的精度有较大的提升作用。