图像超分辨率一直以来都是图像处理领域的一个非常热门的研究课题。在现实生活中,受到现实环境和拍照设备的影响,人们往往无法获得包含细节信息的高分辨率图像。图像超分辨率技术可以将因环境、设备、人为因素得到的低分辨率图像重建出清晰的、包含更多细节信息的高分辨图像。随着卷积神经网络在图像超分辨率的重建工作中的蓬勃发展,图像超分辨率的重建效果越来越好。本文主要对现有的卷积神经网络图像超分辨率算法的网络模型进行改进,研究的内容主要为如下两个部分:（1）考虑到大多数卷积神经网络模型不能充分利用卷积层所提取的特征,而且随着网络模型深度的不断加深,网络模型的训练难度也相应增大。针对这些问题,结合密集连接和残差网络的优点,提出了一种基于多尺度残差密集块卷积神经网络,该网络模型主要由特征提取、多尺度残差密集块和多尺度亚像素卷积组成。首先,通过特征提取获取图像的浅层信息;其次通过多尺度残差密集块对提取到的浅层特征进行更深层次的提取,残差密集块采用局部密集特征融合和局部残差融合相结合的方式来增加对以往卷积层的利用,并将多个残差密集块进一步进行全局特征融合,增加网络特征信息的复用性,同时在残差密集块内采用多尺度卷积来增加网络的宽度,获取图像的区域信息;然后将浅层特征信息和深层特征信息进行全局残差融合,以保证对低频信息的有效利用;最后通过多尺度亚像素卷积对图像进行重建,最终得到高质量的重建图像（2）考虑到大多数卷积神经网络的图像超分辨率重建方法中并没有充分利用图像的固有非局部相似特性,并且目前大多数基于卷积神经网络的图像超分辨率算法主要在加深网络深度和构建更复杂的网络模型来学习更多的图像特征,却很少利用高阶的图像特征。针对这些问题,结合图像的非局部特征和二阶统计特征的优点,提出了一种基于注意力机制与多尺度特征融合的网络结构。在特征提取过程中,将图像的非局部特征和二阶统计特征相结合组成一个注意力机制模块,以增强图像的结构信息的提取,同时采用多尺度特征模块提取不同尺度下的图像特征信息,获取更多的图像区域信息,并将两种方式提取到的图像信息进行融合,最后通过亚像素卷积对图像进行重建,得到最终的高分辨率图像。