图像超分辨率（Super-resolution,SR）重建近年来越来越受到研究界的关注。SR重建旨在将缺乏细节的低分辨率（Low Resolution,LR）图像恢复成具有更高视觉质量和精细细节的高分辨率（High Resolution,HR）图像。该技术可以降低硬件设备的成本,克服拍摄环境的限制,在军事、公安、医疗诊断等领域具有广阔的实际应用前景。深度学习具有强大的特征学习和表征能力,在计算机视觉领域取得了巨大的成功。深度学习作为机器学习的一个分支,旨在直接从数据中自动学习输入和输出之间的映射关系。本文主要利用深度学习技术来构建图像SR重建模型。论文的主要研究工作如下:（1）为了重建更多的纹理信息,提高重建图像的视觉效果,本文将纹理迁移的思想嵌入到图像SR重建网络中,提出一种基于参考的纹理增强网络用于单幅图像的SR重建。首先,基于密集残差结构和注意力机制,构建一个初步重建模块来重建HR图像的初始特征。然后,为了进一步增强重建图像的特征,设计了一种多尺度纹理增强模块将参考HR图像的丰富纹理迁移到重建HR图像的初始特征中。并且,在这两个模块中加入了一个混合注意力模块来增强图像在通道和空间维度上的重要特征。最后通过消融实验证明了所设计的多尺度纹理增强模块以及注意力模块的有效性,并将该方法与近几年一些先进模型进行了实验对比,实验结果显示所提出网络的重建结果与同类型基于参考的重建模型相比取得了更高的指标,与单幅图像重建模型相比获得了具有更好视觉效果的重建结果。（2）本文提出了一种基于特征增强的人脸SR重建方法,用来解决人脸先验在通过LR图像或粗糙的SR图像估计时对重建效果产生的影响。该网络通过设计一个特征信息增强模块,来增强从输入LR图像中提取的特征信息,以此提高初步SR结果的质量。并通过沙漏网络从初步的SR结果中提取人脸先验信息。为了获得更加清晰的人脸图像,一个融合模块被加入来有效地整合特征信息和人脸先验信息,最终生成具有高保真细节的增强型人脸SR结果。最后设计了消融实验证明增强模块的有效性,并将提出的模型与几种先进的人脸SR方法进行了主、客观对比。实验结果表明,所提出的算法在主观视觉效果和客观评估方面都可以获得更好的结果。