作为计算机视觉领域的一个重要分支,图像超分辨率重建主要利用计算机技术,从低分辨率图像恢复出高分辨率图像.它在卫星地图、视频监控、交通检测等领域都有着重要的应用.为了解决多种下采样方式和图像重建信息不适定的问题,本文在深度学习框架下设计有效提升图像重建质量的超分辨率重建方法:基于重建注意力卷积神经网络、基于重建注意力非对称卷积神经网络、基于U形多尺度注意力卷积神经网络以及基于两阶段协调深度卷积神经网络的超分辨率重建方法,具体内容如下:1.基于重建注意力卷积神经网络的超分辨率重建方法.大部分现有基于注意力机制的深度网络未考虑重建部分中各个特征图会对最终的结果会产生不同影响.为了解决这一问题,我们提出重建注意力机制并构建基于重建注意力神经网络（RAN）的图像超分辨率重建方法.该重建方法首先采用不同尺寸的卷积核提取不同尺度下的特征图;其次引入通道注意力对特征图进行选择;最后提出重建注意力,即对每个单元输出的高分辨率特征图进行加权组合,然后得到最后的高分辨率图像.因此,提出的多尺度卷积能帮助网络提取到不同尺度下的特征,通道注意力能选出同层中重要的特征信息,而重建注意力将选出重要的重建特征层.实验结果表明本文所提方法比现有的一些超分辨率方法有更好的重建效果.2.基于多尺度非对称卷积神经网络的超分辨率重建方法.由于深度卷积神经网络中方形卷积核提取能力有限,我们采用非对称卷积核代替传统方形卷积核的方案;与此同时,针对现有的重建网络未详细地考虑网络重建部分的不同作用,我们提出划分网络重建部分的概念并构建基于多尺度非对称卷积神经网络（RAAN）的超分辨率图像重建方法.该方法首先使用不同尺寸的非对称卷积核提取不同尺度下的特征图;其次引入通道注意力对图像通道进行选择;然后采用主重建、次重建和放大重建的方式得到相应的重建图像.最后,网络最后部分把上述三者加和在一起得到最终的重建图像.因此,本文所提得非对称卷积结构能够帮助网络提取到更多图像特征信息,多种重建方式能够提升重建图像的质量.实验结果表明,所提超分辨率重建方法比现有的一些超分辨率方法有更优的重建质量.3.基于U形多尺度注意力卷积神经网络的超分辨率重建方法.由于现有的卷积神经网络很少考虑图像细节特征的问题,我们提出多尺度注意力机制并构建基于U形多尺度注意力卷积神经网络（MSAUN）的超分辨率图像重建方法.该方法首先使用U形网络提取图像的信息;其次引入图像信息整合的概念,实现不同尺寸图像信息之间的流通;然后提出多尺度注意力概念,即对不同尺寸的图像进行加权组合;最后使用多源图像整合重建的方法得到高分辨率图像.因此,所提得多尺度注意力能够选出多重尺度图像中的重要特征信息.实验表明,所提得网络能够取得比现有一些重建方法更好的重建效果.4.基于两阶段协调深度卷积神经网络的超分辨率重建方法.由于现有的卷积神经网络只应对单一下采样图像的问题,我们采用了共享网络特征提取部分的参数且根据数据区分训练重建部分的方案,然后构建两阶段协调深度卷积神经网络（TSCN）的图像超分辨率重建方法.该方法首先使用三层卷积核对图像进行浅层特征提取;然后使用4个简单的单元结构实现网络中的深层特征提取;最后网络使用分开输出的方法来训练不同下采样的数据.实验结果表明,所提得超分辨率方法能有效协同各方面的数据,在多重下采样数据下达到较优的重建效果.