图像的分辨率意味着图像中包含的信息量,图像超分辨率重建技术通过算法将输入的低分辨率图像重建得到对应的清晰的、纹理细节更加丰富的高分辨率图像,在医学、遥感、公共安全、计算机视觉等各个领域普遍应用。因此,图像超分辨率重建算法近年来被广泛研究。目前基于卷积神经网络的超分辨率重建任务在重建性能和重建效率方面都远超于传统算法,但依然存在在真实模糊图像上重建效果较差的问题。针对这个问题,本文重点研究了基于真实低分辨率图像的超分辨率重建算法。本文的主要贡献如下:（1）提出用模糊核建模的方式构建数据集。为了构建足够大且多样化的模糊核集,本文首先使用模糊核估计算法从真实的低分辨率照片中提取真实的模糊核,接着将提取出的模糊核用于训练生成对抗网络,利用生成对抗网络可以学习近似复杂分布的能力来学习和生成其他模糊核。使用模糊核估计算法获得的模糊核与生成对抗网络生成的模糊核共同构建了一个模糊核池。通过从模糊核池中随机挑选模糊核与高分辨率图像进行卷积得到与真实模糊图像有相同分布的低分辨率图像。（2）提出了基于改进的误差反馈机制的双重残差网络用于真实图像超分辨率重建。本文在网络的非线性映射部分提出了一个端到端的可训练模块,采用迭代的上采样和通道注意力机制实现改进的误差反馈机制,并在每个模块之间添加双重残差连接来提高网络的准确性。提出的网络将（1）中构建的数据集作为训练集,在多个标准测试集和相机捕获的真实照片上的实验证明,本文提出的数据集构建方法和图像超分辨率重建网络模型结合的方法与其他方法相比实用性更高。