与基于插值或者重建的机器学习方法相比,深度学习在超分辨率（Super-Resolution,SR）任务上显示出其独特的优势。然而,人工设计一个性能优秀的超分辨率网络往往需要耗费大量的人力物力。除此之外,随着人工设计的神经网络越来越复杂,想要人工设计出一个表现不错的神经网络成为一个挑战。为了减少人工设计神经网络所花费的人力物力,神经网络架构搜索（Neural Architecture Search,NAS）的价值凸显出来。基于强化学习、进化算法、贝叶斯优化策略的神经网络架构搜索方法需要耗费大量的GPU计算资源,因此逐渐被基于梯度下降算法的方法所替代。可微分网络架构搜索（Differentiable Neural Architecture Search,DARTS）通过移除控制器、超网络和模型预测器,将网络架构搜索时间大大缩短。NAS在超分辨率上应用较少,为了自动搜索出性能优异的超分辨率网络架构,本文中用可微分网络架构搜索来搜索超分辨网络架构并解决遇到的各种问题,主要工作如下:（1）重构可微分网络架构搜索的搜索空间.DARTS最初用于图像分类和图像识别任务,因此DARTS的搜索空间并不一定适用于单张图像超分辨率任务。通过对超分辨率经典模型EDSR,MDSR等网络架构进行研究,发现这些网络都是以Resblock或者该模块的变体进行堆叠而得到的。从此可以分析得出,超分辨率任务不仅需要卷积操作提取的高维信息,而且还需要恒等映射提供的低维信息。因此本文对神经网络架构搜索空间的卷积操作添加了恒等映射操作来保留特征图的低维信息。（2）改进的可微分网络架构搜索在超分辨率上的应用实验表明,在超分辨率任务上直接使用DARTS会导致搜索得到的超分辨率网络架构中存在过多跳连接操作（skip-connect）,从而导致最终网络架构超分辨率效果不好。基于重构的可微分网络架构搜索空间,本文使用可微分网络架构搜索来搜索Cell结构,将得到的Cell进行堆叠组成超网络,该网络作为超分辨率网络的非线性映射部分来提取图像高维语义信息。经实验验证,上述方法搜索得到的超分辨率网络架构在基准数据集和DIV2K数据集上表现出有效性。（3）低延迟超分辨率网络架构搜索在三自由度网络架构搜索（Three freedom NAS,TF-NAS）的基础上,本文设计了一种自动搜索出受延迟限制的超分辨率网络的新方法。因为MobileNetV2中提出的倒置残差块可以重用图像的特征并改善网路的性能,所以该操作被用作神经网络架构搜索空间中的基本候选操作,可以大大减少网络参数的数量和网络架构的推理时间。同时,为了确保网络推理的低延迟,中间层的维度被动态调整,以使网络结构的延迟接近目标延迟。对基准数据集的定量和定性评估表明,所提出的算法搜索得到的网络延迟低并且生成的图像质量较高。