图像作为信息传递的承载者在人类的生产生活中扮演着不可或缺的角色,但其产生过程中常受到成像设备和成像条件的制约,分辨率无法满足人们的需求。这不仅会带来较差的主观视觉体验,还会造成客观的图像内容理解困难、图片分类不准确等问题。而基于学习的超分辨率重建技术能够提取一张或多张低分辨率图像的低维特征,通过非线性回归将特征映射至高维空间,最终利用高维图像特征重建出高分辨率图像,从而有效应对上述问题。本文对基于深度学习的超分辨率重建方法做了研究和分析,并结合注意力机制提出了三个超分辨率重建算法,主要研究工作概括如下:1)提出一种基于卷积注意力机制网络的图像超分辨率重建算法。针对现有的残差结构对网络各通道特征的区分度不高,导致网络非线性映射过程受限的问题,该算法首先利用卷积注意力机制提取网络层间信息,这种做法用跳连接将卷积前后特征相连,并赋给卷积和跳连接两个能随训练过程迭代的权重,通过调整权重大小反应出卷积前后特征的重要程度,以此自适应地重新校准网络特征,进而提升神经网络的回归能力。此外,该算法还通过密集块学习策略级联高低维图像特征,增加块间信息流通性,保证信息得到充分利用。实验证明基于卷积注意力机制网络的图像超分辨率重建算法在重建图像质量和时间上都要优于大多数主流算法。2)提出了一种基于非局部残差网络的图像超分辨率重建算法。该算法首先通过非局部注意力模块中的卷积和矩阵运算,让输入特征图的每个像素块都与其他像素块进行距离度量,以此衡量特征图自相似性,捕获特征图全局信息,使网络获得一个与低分辨图像内容相关的先验信息,辅助网络恢复出更清晰的图像边缘和纹理。网络还利用分层残差模块,先分级提取图像特征,再将提取到的层级特征融合,最后利用全局跳连接进行特征叠加。这种分级结构能在保证网络效果的同时,大幅度缩减重建高分辨率图片的速度。实验结果证明该算法的主客观效果都要优于大部分算法,尤其对纹理丰富的图像重建效果更加明显。3)提出一种针对低质量视频的超分辨率重建算法。该算法利用视频压缩原理提取视频关键帧,构建训练集,在保持视频内容多样性的同时最大限度减少冗余数据。在模型设计方面结合多尺度注意力机制和残差嵌套模块构建两阶段网络,首先让视频帧进行调色阶段预处理,此部分利用浅层多尺度通道注意力网络提取图像低维特征,并通过结构相似性损失,衡量图像的整体亮度、对比度和结构,对输入图像进行色彩修正和噪声消除,而后经过深层多尺度通道注意力网络提取修正后图像的高维特征,最终利用上采样层重构图像特征,完成超分辨率重建。在测试阶段提取所有低质量视频帧,经过模型处理后最终压制成高质量视频。实验证明该算法对不同类型的视频都能有较好的恢复,算法耗费资源少且效果出色。