随着信息技术的不断进步和人工智能技术的不断发展,人们的生活变得更加的便捷和高效,人们对图像的质量和分辨率的要求也不断提升,在硬件受限的情况下如何得到高分辨率的图片慢慢成为相关研究者的研究焦点。图像超分辨率作为一种软件算法上的图像重建技术,在许多领域有着重要的应用,如安防、卫星遥感、医疗影像。随着深度卷积神经网络被应用到图像超分辨率领域,因其超强的数据学习能力和特征表达能力,超分图像的质量也越来越高。而目前大部分超分辨率网络都只是简单的构建深层网络提取特征,并没有充分利用到网络中间层特征信息。为此本文提出了两种基于卷积神经网络的图像超分辨率重建算法,主要研究工作如下:1.针对传统超分辨率重建算法中忽略了对残差特征的有效利用以及网络特征传输时特征信息丢失的问题,提出了一种基于残差特征融合的空间与通道注意力图像超分辨率模型。模型通过残差特征融合的机制将网络中间层的特征信息通过跳跃连接以及特征融合传入到整个模块的尾部,提高了网络对残差特征的利用,改善了网络卷积层之间信息的流动。并且将融合后的特征传入到本文设计的空间与通道双重注意力模块中,对特征进行选择和学习,提高了网络对图像纹理,细节等高频信息的学习能力,增强了网络的超分图像重建效果。2.本文还提出了一种基于分层注意力的残差特征融合网络,通过使用了注意力机制对特征学习,并在每个残差块的尾部都接上一个通道注意力模块对残差特征进行再选择。最后对这些经过特征通道选择过的特征进行特征融合并传入到模块尾部,充分利用了残差特征并对特征进行了实时的选择。实验结果表明,网络具有不错的超分重建效果。