图像超分辨作为计算机软件层面的算法,其目的是对图像中的模糊部分进行处理,从而从低分辨率图像中恢复细节信息,重建高分辨率图像。当前,基于卷积神经网络的图像超分辨技术通过对低分辨率图像特征的自主学习,重建的高分辨率图像获得了显著的突破。因此,该类方法受到了国内外学者的广泛关注,并成为现今图像超分辨领域的研究焦点。但图像超分辨是一个高度不适定的问题,同样的一幅高分辨率图像可以通过不同程度的低分辨率图像所重建。现有的基于卷积网络的超分辨方法仍然存在一些很大程度上没有解决的关键问题:（1）没有充分挖掘可用信息的深度网络具有非常大的计算复杂度,但并不能总是保证高质量的图像。（2）在图像特征的学习中没有对低频信息和高频信息加以区分,忽视了对跨通道特征信息的挖掘,导致重建的图像效果不佳。本文针对以上问题展开研究,提出了一些针对性的解决方案。本文的研究主要有以下内容:首先,引入注意力机制指导已有的处理资源的分配,使之偏向于信息最丰富的部分。它可以为每个特征图赋予权重关注,通过模型的训练来自适应重塑特征图之间的相互依赖性,从而增加模型对图像特征的鉴别性能力。其次,提出了一种基于分层的注意力级联网络模型用于图像超分辨。由于图像中输入的低分辨图像和重建的高分辨图像之间存在很强的相关性,充分利用低分辨图像中的可用信息是非常重要的。因此在模型的整体架构上,设计了层次性的级联群组用以关注局部和全局的特征信息,并建立一个深层的可训练网络。而后,设计了注意力稠密模块对层次的特征进行处理和学习,以增强网络对特征信息的辨识能力。相较于传统的插值方法和卷积网络的超分辨方法,该模型在测试数据集上拥有更好的图像超分辨重建表现。最后,提出了一种基于多通道的残差注意力网络模型用于图像超分辨。该结构通过对低频和高频特征信息的多源复用来获得更丰富的有效信息,并通过对跨通道特征信息的融合处理以获得最佳的重建效果。其中最关键的两个成分为多源残差群组和多通道注意力模块。前者用于捕获远程空间的全局低频信息和局部网络的高频特征信息,后者将多种不同通道的特征融合在一起,并利用注意力机制来进行自适应重塑,使得信道特征具有更强的判别性表示。通过在数据集上的实验验证了本文提出的模型结构的有效性,并通过与以往的基于卷积神经网络的先进方法对比,展示了本文方法更好的图像超分辨重建效果。