图像超分辨率旨在从一幅或者多幅低分辨率的观测图像重构出相应的高分辨率图像,可弥补成像过程引起的图像分辨率退化,该技术在安防监控、医疗诊断和遥感成像等领域具有广泛的应用前景。由于低分辨率图像缺失了大量的信息,通常存在多幅高分辨率图像与之对应。因此,图像超分辨率重构为病态逆问题,如何恢复出高质量的高分辨率图像是一个具有挑战的任务。深度学习技术在改进图像超分辨率性能方面具有良好潜能,并在当前获得了广泛关注。深度多尺度结构能够并行表示不同感知域的特征,可有效减少计算并有利于缓解深度网络的梯度消失问题。同时,注意力机制可促进深度特征的自适应判别提取。为此,本文首先围绕如何利用注意力机制来有效处理多尺度特征,以增强网络的重构能力展开研究。此外,鉴于自上而下的反馈连接机制有利于丰富低层特征表示,进而增强深层网络的建模能力,本文进一步围绕如何通过引入注意力策略,设计由高维空间到低维空间的反馈机制,逐步改善重构质量展开研究。论文的主要工作如下:1)提出了一种注意力增强多尺度网络的单幅图像超分辨率重建算法。该方法旨在通过对不同尺度特征进行判别融合,以增强网络的判别能力和多尺度表示能力。具体地,设计的方法首先通过全局平均池化操作分别计算不同尺度特征的统计量,并综合这些统计量作为引导,为后续的多尺度特征调整和聚合学习最优的权重分配。同时,采用双层融合技术,即组内和组间的特征融合,以充分利用层次特征,进一步提高重构性能。实验结果表明,该方法在平衡重构质量、参数和效率等方面展现出了很大的竞争力。2)提出了一种基于空间特征转换的多级反馈单幅图像超分辨率网络。该方法的动机在于,一方面通过利用空间特征转换技术自适应增强低分辨率图像中的高频信息,使其可以得到有效利用,为图像重建提供参考,另一方面引入注意力机制,利用高层信息对多级低层特征做出反馈和优化,在提高网络判别能力的同时,提高网络的表示能力。具体地,首先计算出低分辨率图像与其模糊化图像的差值,并采用空间特征转换技术将差值图像非线性融合到原图中,得到高频信息增强。然后,联合高层特征和低层特征估计出一组权重,辅助低层信息的判别筛选,同时将高层特征映射回低维空间,并将结果叠加到调整后的低层特征上,弥补低维空间信息的不足。实验证明了该方法在主观性能和客观性能上的优势。