随着人们对视觉的极致追求,获取像素密度高的图像成为视觉任务的研究重点。受限于硬件成本和成像原理等条件,我们难以捕获到细节丰富的图像。通过软件的方法提高图像分辨率的过程称为图像超分辨率（Super Resolution,SR）重建,双目图像SR旨在由同一视点两幅不同低分辨率（Low Resolution,LR）图像重建出一幅高分辨率（High Resolution,HR）图像,随着科技发展,双目图像SR在机器视觉领域日益广泛应用。由于输入为双目LR图像,使得输入特征间存在视觉、特征和景深等差异,针对这些问题,各类重建算法被提出。但由于双目互补信息的难利用性,双目图像SR重建面临巨大的挑战。本文针对双目图像特征提取与信息冗余问题,提出两种基于视差学习的双目图像SR网络,充分利用双目图像间有效信息优势,获取丰富特征的同时降低模型复杂度,并重建出细节丰富的SR图像。本文研究工作内容如下:1)提出回环结构与PAM（Parallax Attention Module）结合的双目图像超分辨率重建网络。针对双目图像SR中特征提取不完整和特征互补问题,本文提出一种多尺度特征提取和视差注意力结合的SR网络。该网络分为特征提取、视差注意力和超分辨率重建三部分,首先,改进扩张残差与改进空洞空间金字塔池化模块经残差连接形成回环结构,提取LR图像多尺度多深度特征;接着,将提取的左右特征图经视差注意力机制得到视差图,并采用形态学操作处理双目遮挡问题;最后,采用四个扩张残差块融合特征图,并重建出SR图像。实验结果表明,该网络在Middlebury测试集中图像放大4倍的PSNR值达到28.75d B。2)提出基于特征通道蒸馏的双目图像超分辨率重建网络。针对双目图像特征冗余和模型复杂度的问题,本文提出一种基于特征通道蒸馏和特征优化的双目图像超分辨率网络。该网络分为特征提取、特征优化、视差注意力和超分辨率重建四部分,首先,采用改进特征蒸馏模块提取LR图像蒸馏特征和降维特征,并采用门控机制融合多尺度特征;然后,采用Ghost作为网络过渡块,融合前一部分特征的同时学习后部分视差计算的网络能力;最后计算得到视差图用于网络的重建。经实验对比,该网络比第三章网络图像放大4倍的PSNR值增加了0.06d B,参数量降低了0.384M。3)为了测试所提网络的适用性,对监控视频、现实场景、医学图像和老照片的LR图像和SR公开测试集进行测评,并分析本文所提两个网络的优势与不足。结果表明,本文两个网络能恢复出LR图像大量细节信息,且当输入为不同帧图像时,本文网络具有较大优势,且更具鲁棒性,其中第四章网络表现出比第三章网络更好的SR性能。