图像超分辨率重建技术旨在通过一幅或多幅低分辨率图像重构出具有更高分辨率且携带更丰富更细节信息的超分图像。作为图像处理领域的重要研究方向,超分辨率重建技术在卫星遥感、安防监控和医学图像等领域都有着重要应用,一直是学术界的研究热点。近年来,随着深度学习在计算机视觉领域的迅猛发展,人们开始将深度网络运用到超分辨率重建技术上,通过深度网络来学习低分图像与高分图像在纹理结构与几何形态上的相关性,从而重构出与高分图像高度相似的超分结果。然而目前基于深度学习的图像超分辨率重建技术还存在特征利用不充分、纹理过于平滑等问题,面向不同的图像类型以及现实需求时,仍存在一定局限性。针对上述问题,本文主要的研究内容如下:第一,针对单帧图像的超分辨率重建,本文提出了一个基于残差密集结构的多尺度超分网络模型,以“逐步递增”的方式生成多个尺度的超分图像,通过密集连接实现特征的复用,同时引入局部与全局的跳跃式结构,优化了信息在网络上的流动。另外,本文将注意力机制应用到超分辨率重建技术中,让神经网络能够利用特征通道以及像素空间位置的依赖关系适应性地学习更具有区分性的特征,强化特征中高频细节信息的同时抑制流通在网络中的冗余信息。为了生成低分辨率图像中已经损失的高频细节信息,本文引入生成对抗网络思想,在已有的多尺度网络模型上加入对抗监督,从而生成更符合人眼感官、具有更真实纹理的超分图像。第二,在遥感领域,由于受到成像条件以及成像设备等因素的干扰,很难获得清晰度很高的图像。本文针对遥感图像的超分辨率重建,提出了基于区域级注意力机制的遥感图像超分网络模型,利用遥感图像在局部区域的自相似特性,将特征分割成多个区域块,分别在多个区域块上学习该区域内用于超分辨率重建的局部特征。最后,将各个区域级特征重组得到最终用于超分重建的全局特征。第三,随着人脸识别技术的发展与普及,如何对人脸数据进行隐私保护的问题也变得越来越突出。本文提出了一个新的问题,即如何在超分辨率重建任务中同时实现对人脸区域的隐私保护?针对这一问题,本文提出了一个面向人脸隐私保护的图像超分辨率模型框架。该框架通过人脸关注网络学习目标图像中的人脸语义信息,利用人脸语义概率图更新超分网络的中间特征,实现人脸区域与非人脸区域的清晰度分离,有效解决了图像超分辨率所带来的安全隐患。