单帧图像超分辨率重建旨在从一张低分辨率图像重建出相应的高分辨率图像,要求在增加像素点的同时提升清晰度。图像超分在高清电视、历史资料恢复、压缩传输、安防监控、医疗诊断等方面有着广泛的应用。伴随着卷积神经网络的兴起以及计算资源性能的提升,深度图像超分不管是在客观指标,还是视觉效果方面都取得了空前的研究进展,并且在很大程度上超越了传统重建算法。与此同时,如何在图像主观效果与客观指标之间保持平衡,如何设计高重建精度的轻量化网络,如何提升模型的泛化性,仍然是目前的研究难点。本文将围绕目前深度图像超分中感知失真不平衡、网络深度宽度增加带来计算复杂性高显存消耗大、以及在合成数据集上训练的模型在非双三次降质数据集上泛化能力差等难点展开相关研究,主要创新点如下:第一,提出了一种面向感知失真平衡的软阈值融合的双分支深度模型。针对基于客观指标的超分算法和基于感知的超分算法之间存在评估不平衡的问题,本文提出基于软阈值融合的双分支超分网络。为了在超分图像的主观评估和客观指标之间保持更好的平衡,设计了残差记忆网络和权重感知超分网络,以此得到两种不同偏向的超分结果。然后,通过软阈值函数将两者进行融合,从而使得主观评估和客观指标折衷。并且只需单一阈值调整即可获得中间的平衡结果,无需另外训练相应的模型,同时还能一定程度上减少噪声。在公开超分基准数据集上的实验结果表明,对于4倍放大因子,该方法可实现与其他超分算法可比的感知结果。第二,提出了一种基于格型模块的格型轻量化超分网络。针对如何设计轻量级超分网络的问题,提出了一种经济的结构,能够自适应的组合残差块以形成轻量级的超分模型。受格型滤波器的启发,其具有实现两个信号之间多种线性组合的拓扑结构。由此设计了格型模块,通过应用两个蝶形结构来连接两个残差块,并且采用可学习的组合系数来表示两个残差块的多种组合模式。该格型模块可被替换到任意以残差块作为基本映射模块的超分网络中,以接近减少一半的参数量和计算量实现相当的性能。此外,基于格型模块,本文构建了一个轻量级超分网络LatticeNet,其中采用反向顺序级联策略来整合不同感受野的上下文信息。在公开超分数据集上的实验结果表明,本文方法可以实现更高的重建精度,同时保持相对较低的计算量和显存需求。第三,提出了一种基于域自适应的超分重建方法。针对在合成数据集上训练的超分模型在非双三次降质数据集上泛化能力差的问题,引入域自适应机制。现有深度超分模型虽然能从大量合成数据集中学习到强大的表示和映射关系,但仍无法很好地适应输入数据分布的变化。通过借助CORAL损失,对齐源域和目标域特征分布的二阶统计量。在轻量级网络LatticeNet基础上,利用域自适应机制,使得训练集和测试集的域差异减小,从而补偿由于域偏移引起的性能下降。