图像超分辨率重建是一种从低分辨率图像中获取信息,生成对应高分辨率图像的技术。作为计算机视觉领域优化图像质量的一项重要的图像处理技术,图像超分辨率重建在医疗图像、遥感影像和视频监控等场景都具有重要的应用意义。近年来,随着深度卷积神经网络的兴起,基于深度学习的图像超分辨率重建算法逐渐受到更多人的关注。相比传统超分辨率技术,深度学习超分辨率重建算法不仅训练方法简单,而且模型性能提升显著。然而,逐渐加深的卷积神经网络往往会出现浅层高频细节丢失的问题,并且需要耗费更多的计算成本。对此,本文进一步学习网络多层级的特征信息,基于自适应特征融合对轻量型图像超分辨率重建算法进行研究,主要工作如下:（1）针对图像超分辨率重建算法难以充分捕获图像高频细节信息的问题,本文提出一种全局注意力门控残差记忆网络,融合网络多层级、多尺度的特征信息。首先,在网络非线性映射阶段设计递归的残差记忆模块,不但可以降低参数量,而且可以融合多层级特征强化网络浅层高频信息。然后,在残差记忆模块中级联多个多尺度残差单元和全局注意力门控机制,融合网络不同尺度的特征信息,强化网络特征学习能力。最后,在网络末端,通过多尺度上采样模块充分利用重建阶段各个尺度的特征以实现图像的超分辨率重建。该算法经过多项标准测试数据集评估,在指标PSNR和SSIM上相比其他先进的算法均获得更加优越的性能。特别在测试数据集Manga109上PSNR结果达到39.19d B,相比超分辨率算法AWSRN提高了0.32d B。（2）针对图像超分辨率重建算法普遍存在较大参数量和计算量的问题,本文在前一项工作基础上进行优化,提出一种基于深度注意力的轻量型特征自适应网络。首先,设计一种轻量型自适应残差单元,通过学习特征图不同维度的注意力程度,获取更加丰富的特征信息。然后,设计通道分组增强模块将特征图按通道分组学习,增强子特征图自主学习能力,使网络更加鲁棒。与此同时,利用全局上下文权重学习模块自适应学习特征图空间和通道信息,调整像素点之间的关系。最后,该算法使用新的学习率衰减方式,并探索出一种新的超分辨率训练优化策略,实现模型性能的显著提升。实验表明,该算法不仅设计轻量,而且实现的超分辨率重建效果优越。相比前一项工作参数量减少149K、计算量减少278.4G,同时在多数标准测试集中评测效果与前一项算法相当。