图像作为记录和呈现信息的重要载体,被广泛应用于人类日常生活。高质量图像呈现出的信息和纹理更加丰富。然而,受成像系统和拍摄环境等因素的限制,获取的图像的分辨率有时很难满足实际需求,从软件技术出发提升图像分辨率的超分辨率重建技术由此产生。随着硬件设施性能的提升和深度学习技术的发展,基于深度学习的图像超分辨率重建被各界学者广泛关注。本文针对目前基于深度学习的图像超分辨率重建方法存在的不足,结合注意力机制和多曝光图像融合技术,对图像超分辨率重建方法展开研究。主要研究工作如下:针对现有方法同等地处理所有特征信息,对特征提取和利用不充分、缺乏灵活性,导致重建图像存在伪影;同时,依靠增加模型深度和宽度提升重建指标导致模型复杂度和参数量剧增,消耗大量的存储空间和处理时间,实时性较差等问题,本文提出了一个基于反馈注意力增强的图像超分辨率重建方法。该方法设计了包含通道注意力和空间注意力机制的迭代投影特征提取模块,提升网络的特征提取、利用和表达能力;通过引入反馈连接增大不同特征空间下特征图之间的依赖性,从而提升网络的自适应调整能力;构建了多尺度浅层特征提取模块,实现对低分辨率图像平滑区域特征的保留和利用;通过跳转连接和残差学习增大层间信息的流动性,融合各层信息重构图像。实验结果证明,该方法有效提升了重建图像质量,较好地缓解了重建图像伪影。针对现有的图像超分辨率重建方法不能在提升图像分辨率的同时增大动态范围、改善图像分辨率和曝光度的问题,在本文提出的基于反馈注意力增强的图像超分辨率重建方法的基础上,引入多曝光图像融合技术,提出了一个基于多曝光图像融合的超分辨率重建方法。该方法设计了一个对称耦合双分支网络,两个分支分别用于对过曝光低分辨率图像和欠曝光低分辨率图像进行超分辨率重建;设计的注意力机制模块提升了网络自适应调整各通道特征的权重的能力;提出的耦合特征融合模块通过耦合反馈连接增加了两个分支之间特征信息的交流与融合;在网络末端利用图像融合技术对各分支的重建图像融合,获得最终的超分辨率重建图像。实验结果表明,该方法能有效提升图像的分辨率,同时提升图像的动态范围。