图像分辨率越高通常意味着图像拥有更多的细节,更高的清晰度以及更好的视觉感受。高分辨率的医学图像有助于医生的诊断;高分辨率的监控图像有利于犯罪行为的识别和追踪;高分辨率的视频可以带来良好的观影体验。但是图像的分辨率往往受到设备精度、环境、信息传输效率等因素的制约。如何在这些因素的制约下获得高分辨率图像有着重要的意义。这类通过模糊的低分辨率图像恢复高分辨率图像的算法统称为图像超分辨率算法,其难点在于图像超分辨率问题作为一个不适定问题,在缺乏先验约束的情况下往往解不唯一。过往,众多研究者从总变差正则,物理成像规律,高频信息稀疏性等先验出发,提出了很多优秀的超分辨率算法。近来随着大数据时代的到来,基于数据先验的方法得到了发展,其中深度学习方法取得的成果尤其突出,也因此被大量应用到图像超分辨率领域中。由于多图像超分算法建立在单图像超分算法的基础上,本文着重讨论基于深度学习的单图像超分算法。过去几年基于深度学习的单图像超分辨率算法获得了广泛的研究。我们在这些工作上更近一步,探讨信息冗余对单图像超分辨率的影响,并针对这些负面影响提出了 一系列的改进。具体的改进包括:（1）提出了两种不同的信息分解方法,通过对信息分解并进行差异化表达,使网络可以针对信息复原的难易程度合理地分配资源,大大减少了网络中的冗余信息;（2）在信息分解的基础上,探索了针对高频信息的复原方法,具体地,将传统的迭代软阈值算法扩展成深度迭代软阈值结构并端对端地嵌入到深度网络中,利用高频信息的稀疏先验改善超分辨率图像中细节和纹理的复原,提升了超分辨率图像的视觉质量。（3）针对卷积核无法随输入自适应变化的缺陷改进了卷积操作并通过将激活函数中掩膜生成和特征表征两个步骤解耦改进了激活函数,相比普通的卷积和激活取得了性能上的提升。在实验环节,本文对网络进行了测试并与众多深度学习方法进行对比。定量结果表明本文的方法效果显著,可视结果比较表明本文方法恢复的超分辨率图像具有更多的高频细节。网格各个组件的消融实验证明了各自的有效性。