单幅图像超分辨率重建指从单幅低分辨率图像恢复出高分辨率图像,是目前计算机视觉和图像处理领域的一个研究热点。传统的图像超分辨率重建方法建模过程复杂,且重建的高分辨率图像效果欠佳。相比之下,基于深度学习的图像超分辨率重建方法具有重建质量高、模型灵活、速度快等优点,取得了一系列不错的成果。单幅图像的超分辨重建研究是一个具有挑战性的题目,存在诸多难点。针对目前深度学习在实现单幅图像超分辨率重建任务时,面临着特征提取尺度单一、梯度消失、感受野小以及缩放因子局限于整数的问题,本文在Meta-SR网络模型的研究基础上,对Meta-SR网络的特征学习模块进行了深入研究和改进,提出了一种适用于超分辨率重建任务的图像特征学习方法。论文的主要工作包括以下内容:提出了一种基于多尺度残差密集块（Multi-scale residual dense block/MRDB）的改进的图像特征学习方法,并将其融入到网络的特征学习结构中,由此增加了块内的感受野,更充分地提取图像局部和全局的信息,获取更多的图像的细节特征,另外残差密集的思想也减轻了梯度消失的现象。之后通过视觉效果对改进的模型进行主观的评价,通过峰值信噪比（peak signal to noise ratio/PSNR）和结构相似度（structural similarity/SSIM）两个评价指标进行客观评价。定性与定量的实验结果表明,本文方法能够更充分地学习并提取图像细节特征,提高超分辨率重建图像的质量,模型对图像在实现任意缩放因子的前提下,特征学习的学习效率和学习质量得到了提升,另外,该结构也可以扩展到其他现有的图像超分辨率重建网络模型中。