高分辨率图像为人类提供了丰富的信息,促进了安全监控、医疗诊断、登月探索等领域的快速发展,但由于采集和传输等过程易受成像设备限制和外界环境干扰,导致获取到的图像分辨率低,因此图像超分辨重建技术应运而生。得益于深度学习强大的特征学习能力,基于深度学习的单幅图像超分辨重建方法层出不穷并且获得了较好的结果,但仍旧存在一些问题:现有方法常用的线性退化模型无法准确刻画真实场景图像退化的高度非线性特征,致使深度超分辨模型在真实场景低分辨率图像上表现不佳;现有方法仅能处理固定尺度超分辨重建,缺乏灵活性,并且无差别对待整幅图像,忽视人类视觉因素。为了解决以上问题,本文对真实场景下的单幅图像超分辨方法进行了研究,主要工作如下:（1）提出基于视觉特征和空间转换特征的多尺度图像超分辨重建方法针对目前深度超分辨模型处理尺度固定以及忽视人类视觉因素等问题,本文提出了一种基于视觉特征和空间转换特征的多尺度图像超分辨重建网络,来进一步提高特征提取网络的表达能力和多尺度重建图像的视觉质量。与传统方法不同的是,该网络将尺度因子作为输入参数,通过尺度扩展和特征转换策略将尺度信息引入特征提取网络,从而获取到与输入尺度对应的深层特征。为了更好地完成多尺度超分辨重建任务,受元学习启发,本文采用单个模型来动态预测每个输入尺度因子对应的上采样滤波器权重,然后与该尺度对应的深层特征进行卷积,最终得到重建的超分辨图像。此外,对图像的背景、轮廓和细节信息分别采用L2损失、L1损失和对抗损失进行约束,并且引入更加符合人类视觉的深度特征损失以进一步提升超分辨图像的视觉评价结果。实验结果表明:本文提出的方法能够在单尺度和多尺度上均获得更符合人类视觉的超分辨图像。（2）提出基于双重注意力机制图像退化模型的真实场景图像超分辨重建方法针对真实场景中高-低分辨率配对图像难获得、线性退化模型无法准确刻画真实场景退化过程等问题,本文提出一种基于双重注意力机制的真实场景图像退化模型,来进一步提升研究内容（1）中深度超分辨模型的性能。该模型通过建立双三次下采样图像到真实低分辨率图像的映射网络来将真实场景中的自然特征引入下采样图像,从而获得更准确的退化模型。为了使退化网络更加关注真实场景的自然图像信息、抑制无关信息,本文在骨干网络上添加信道注意力机制和空间注意力机制。此外,本文提出了一个可端对端训练的分频网络来自适应地对图像信息进行分频,从而进一步提升退化网络性能。然后,我们使用该退化模型产生的真实配对样本对本文提出的深度超分辨网络重新进行训练,使得训练出的网络能够更好的重建真实场景下低分辨率图像的细节。实验结果表明:本文提出的退化模型能够更加准确地刻画真实场景图像退化过程,并且基于该退化模型的深度超分辨网络在标准数据集Set5、Set14、General100以及真实场景低分辨图像数据集DPED上的性能大大提升,获得了更符合人类视觉的超分辨图像。