图像超分辨率技术旨在将低分辨率图像重建成高分辨率图像,它是计算机视觉领域的热点问题,同时也非常具有挑战性和开放性。在医学,监控,遥感等行业领域都有非常广泛的应用前景。近年来随着深度学习的发展,基于深度学习的图像超分辨率算法获得了比传统算法更好的效果。通过对国内外研究现状的深入分析,发现目前许多算法对图像特征的利用不够完善,重建后的图像缺乏细节纹理信息,感知质量不高。本文在已有的基于深度学习的图像超分辨率算法的基础上进行研究和改进,从而提高图像超分辨率算法结果的感知质量。本文的主要工作有。首先,简要阐述了有关图像超分辨率的相关概念、基础知识。简单介绍了现有的图像超分辨率算法。其次,为了学习非常详细的特征,增强特征识别能力,更好的重建细节信息,将来源于人类视觉感受野结构的感受野模块引入超分辨率算法中,构建多尺度感受野模块增大感受野。同时在多尺度感受野模块中选择使用几个小的卷积核,降低计算的复杂度。再次,为了更好的利用细节信息,由于原有的基于深度学习的图像超分辨率算法大多都是平等地对待图像特征,并不能很好的区分哪些特征对超分辨率重建结果更有贡献。因此,将通道注意力机制和空间注意力机制引入超分辨率算法中,通过构建注意力模块改进超分辨率模型,使模型更关注对超分辨率结果贡献更大的特征,从而提高图像超分辨率重建结果的感知质量。最后,分别对提出的两种图像超分辨率算法进行实验,并将实验结果与现有的图像超分辨率算法进行对比,通过对结果的定性分析和定量研究,验证其有效性。