红外图像在军事、民用领域应用十分广泛,但受红外波段和成像机理的限制,成像分辨率较低、图像质量差。针对此问题,本文使用基于深度学习的方法对单帧红外图像和序列红外图像超分辨率重建进行了研究,具体工作如下:（1）针对生成对抗网络超分辨率重建容易出现伪影的问题,本文在ESRGAN模型的结构基础上,提出了一种融入残差模块以及注意力机制模块的超分辨率重建模型ESRGAN+。注意力机制模块通过对全局通道信息的学习,对各通道特征的重要程度进行建模,根据不同任务,调节各通道权重,对不同通道进行参数调整,提升对有用通道信息的关注度,对无用通道信息进行抑制;残差模块对训练过程进行简化,加强梯度传播,有利于训练出更深层次的网络。在公开的热红外数据集FLIR上,本文所提模型ESRGAN+比相关模型的信噪比提高了3.3277分贝以上,结构相似度提高了3.3%以上。在课题组自建的红外数据集上,本文所提模型ESRGAN+比相关模型的信噪比提高了4.4020分贝以上,结构相似度提高了2.17%以上。实验表明,ESRGAN+的信噪比与结构相似度两个客观评价指标均有所提升,且ESRGAN+重建出的图像伪影较少,清晰度更高,视觉效果更好。（2）针对序列图像进行超分辨率重建时图像特征利用率低以及帧间时间信息未能得到充分利用的问题,本文在Basic VSR模型基础上,提出了一种适用于红外序列图像的超分辨率重建算法Ebasic VSR。Ebasic VSR采用金字塔可形变卷积进行红外序列图像的帧间对齐,采用多分支级联融合法进行上采样。金字塔可形变卷积具有不受光线以及场景变换影响的特性,金字塔结构将不同尺度、不同维度的特征进行融合,可形变卷积自适应性强,灵活度高,两者结合进行逐层估计,卷积核能够更加适应所要提取特征对象的形状,实现红外图像的帧间对齐;多分支级联融合上采样,将浅层信息特征与深层信息特征进行融合,使特征得到复用,促进有用信息传播。在真实红外测试集上,本文所提模型Ebasic VSR比相关模型运行时间平均缩减了19s,速度提升了6.8345%,信噪比提升了0.14分贝以上,结构相似度提升了2.9%以上,实验表明,相比于原Basic VSR模型,本文提出的模型取得了更好的重建效果,更适用于红外图像的超分辨率重建。