在计算机视觉领域中,单帧图像超分辨率是一个非常经典的问题。它的目标是由一幅低分辨率图像生成对应的高分辨率图像,同时保证得到的高分辨率图像有清晰的线条和纹理特征。近年来,随着深度学习的发展,卷积神经网络被应用在越来越多的计算机视觉任务中并取得了十分理想的效果,其中包括单帧图像超分辨率任务。基于卷积神经网络的单帧图像超分辨率算法是一种基于学习的算法,该类算法从大量低分辨率和对应的高分辨率图像对所组成的训练集中,直接学习从低分辨率图像到对应高分辨率图象的映射关系。近年来,人们提出了结构更深和跳跃连接更多的单帧图像超分辨卷积神经网络,通过利用更大的感受域和更好地利用多尺度特征获得了更好的重建图像质量,但这些单帧图像超分辨率卷积神经网络需要大量的计算量和内存。因此,如何在保证超分辨率效果的情况下提升计算效率是亟待解决的问题。本文首先对卷积神经网络中的感受域和多尺度特征进行了研究,在此基础上提出了一种可以快速获取大的感受域的网络模块,命名为快速感知模块。随后,通过并联快速感知模块构建了快速感知超分辨率卷积神经网络。实验结果表明,快速感知超分辨率卷积神经网络在保证超分辨率效果的同时具有更好的计算效率。为了进一步地减少计算量和对内存的要求,本文提出了一种更加简洁的网络结构,命名为快速简洁的超分辨率卷积神经网络。该网络使用三层拥有合适大小的扩张因子的空洞卷积层来高效地获取大的感受域,然后通过在三层空洞卷积层间使用密集连接方法,从而充分利用不同层间的多尺度特征。实验结果表明,在保证重建图像质量的情况下,本文提出的快速简洁的超分辨率卷积神经网络显著地减少了网络所需的计算量、参数量以及内存。最后,在所提出的两种网络结构的基础上改变网络结构并进行相关实验,进一步地证明了大的感受域和多尺度特征对于单帧图像超分辨率任务的重要性。