超分辨技术是计算机视觉等领域的重要与热门研究方向,在医疗成像等众多领域有广泛的应用。基于深度学习的超分辨重建技术在近几年中发展迅速,神经网络模型对高分辨图像的重构性能越来越强,充分体现了使用深度学习解决超分辨任务的优势。但基于深度学习的超分辨重建技术在提升系统性能时很多是依靠堆叠大量神经网络和设计各种复杂的网络来实现的。同时训练后得到的部署模型存在推理时间长、参数量多等问题。这导致了设计的许多神经网络模型难以部署到实际的终端设备中应用。针对此问题,本文从网络模型压缩和设计新的网络结构两个角度对超分辨网络轻量化进行研究,主要的内容和创新点如下:（1）从模型压缩角度出发,结合阈值剪枝方法和彩票假说方法的特点。同时,考虑网络的整体结构重要性进行局部剪枝,提出了改进的剪枝方法。然后,本文使用改进的剪枝方法分别对RRDB模型进行结构化剪枝和非结构化剪枝。与RRDB模型相比,本文提出的改进的结构化剪枝能有效降低了模型需要的参数量和存储空间。本文提出的改进的非结构化剪枝RRDB模型,能有效的降低了模型的运算量,提升了模型训练速度和推理速度。（2）针对结构化剪枝中会破坏网络结构导致部署模型推理时间长、训练速度缓慢等缺点。同时非结构化剪枝中存在无法压缩部署模型大小、降低部署模型的存储空间等问题。本文设计了基于多分支卷积重参数化的轻量超分辨部署模型,将多分支训练模型和单路部署模型进行分离。其核心思想就是用多分支卷积结构进行训练,对同一个输入采用不同尺度的卷积核对其进行特征提取。在模型训练完之后,根据网络结构的特点,对多分支卷积结构进行等价转换合并成为单路部署结构。与RRDB模型相比较,保证了重构的图像质量基本不变情况下有效降低了模型的参数量和所需要的存储空间。同时大幅度提升了部署模型的推理速度,实现了网络的轻量化与加速。