分辨率越高的图像蕴含的细节信息越丰富,单幅图像超分辨率（Single Image Super-Resolution,SISR）重建技术是通过数字图像处理方法将单幅图像提升至所需分辨率的方法,其作为提高单幅图像分辨率的最重要途径既不需要昂贵的硬件支撑,同时又具有方便快捷、重建效果好等特点。随着卷积神经网络在SISR方向的成功应用,研究者为了更好的重建效果,推出了大量的网络模型,多数的网络模型使用前端上采样或后端上采样的网络结构。其中前端上采样或后端上采样网络结构分别存在网络参数规模较大使得收敛速度较慢和忽略了上采样过程引入的噪声与主要学习低分辨率（Low Resolution,LR）图像间的特征变换等问题。此外多数的超分辨率（Super-Resolution,SR）重建方法采用较深的网络以提高重建效果,但是网络较深便会在引起网络退化的问题。另外目前多数的SISR方法,在重建高分辨率（High Resolution,HR）时忽略了特征图各通道之间的相互依赖关系以及在重建HR图像时特征图各通道的贡献值不同等问题。为了缓解以上问题,本文主要做了两方面的研究分别如下:1)针对图像高倍率缩放时参数规模较大和上采样过程中会引入噪声以及特征图各通道之间的相互依赖关系难以确定等问题。本文提出了基于深度渐进式反投影注意力网络的图像超分辨率方法该方法主要融合了渐进式上采样思想将低分辨率图像逐步缩放至给定的倍率。同时使用注意力机制为迭代反投影网络不同阶段产生的特征图动态的分配注意力资源,使网络模型尽可能多的发掘图像的细节信息。此外学习到了HR图像和LR图像以及各通道之间的相互依赖关系。2)针对目前多数SISR方法存在的特征信息发掘不充分、各特征图贡献值不同以及重建HR图像时存在重构误差等问题,本文提出了基于深度残差反投影注意力网络的图像超分辨率算法。即利用残差学习的思想缓解训练难度和充分发掘图像的特征信息,并使用反投影学习机制学习高低分辨图像之间的相互依赖关系。此外引入了注意力机制动态分配各特征图以不同的注意力资源,从而发掘更多的高频信息和学习特征图各通道之间的依赖关系。大量的对比试验结果表明所提的两种方法的有效性,无论是在客观指标方面还是主观视觉效果方面均获得了令人满意的重建结果。