图像超分辨率是使用低分辨率图像生成同场景高分辨率图像的过程。传统超分辨率多采用插值算法,对重建图像质量的提高有限。基于深度学习框架的图像超分辨率是当今研究的热点,取得了一定成果。然而将基于深度学习框架的超分辨率算法应用到文本图像时,重建图像存在边缘模糊、字迹粘连导致图像中文字可识别性较差的问题。针对这一问题本文根据文本图像的特点,提出一种边缘特征融合的文本图像超分辨率算法,并对该算法的实现与应用进行了分析和研究。（1）针对边缘提取过程中文字边缘被抑制导致重建图像中文字边缘信息大量丢失的问题。本文提出基于灰度阈值的区域模糊策略,根据中心像素点邻域范围内的灰度级获得区域模糊阈值与模糊权重,计算获得模糊后的灰度值。该方法不仅可以保留更多的字体边缘,而且可以根据区域的灰度级实现模糊权重自动调整。本文对比了该算法与基于深度学习框架的边缘提取算法,在保证边缘提取效果相近的前提下,计算耗时约为后者的2‰。（2）针对低分辨率文本图像包含有效特征较少,导致重建图像存在细节缺失,重建图像中文字存在边缘模糊的问题,本文改进了SRGAN网络中的特征提取模块,引入共享源残差组结构。使用全局操作捕获远程空间上下文信息,使用多个局部残差注意力组学习更多的抽象特征。使用边缘特征融合与基于边缘梯度权重的边缘增强损失函数来加强重建图像的边缘质量,该算法通过适当放大重建图像与基准图像在边缘位置处的损失,达到增强边缘的效果。此外,文本引入二阶注意力网络,用于更强大的特征表达与特征关系学习。通过一种可训练的二阶通道模块,自适应地调整特征通道,加强边缘特征对重建图像的影响。本文在ICDAR-2015等数据集上设计了多个实验,验证使用边缘特征融合、边缘增强损失函数和引入共享源残差组加二阶通道注意力机制,对提高重建文本图像质量有较好的提升。另外根据本文算法设计实现了文本图像超分辨率重建平台,提供文本图像的在线超分辨率重建服务。