高分辨率图像能够提供较丰富的空间结构信息,是彩色和光谱成像设备的重要发展方向。然而,受成像设备的硬件限制、噪声及传输过程中的压缩等因素影响,采集得到的图像分辨率通常不够理想,易导致所成像场景目标的部分关键信息丢失。因此,在以上成像条件限制下,提升图像的分辨率,即图像超分辨率重建技术,对信息的挖掘和利用具有重要意义。近年来,图像超分辨率已经被广泛应用于监控识别、无人驾驶和医学成像等技术领域,并且已经成为计算机视觉领域重要的研究方向之一。超分辨率旨在将给定的具有粗糙细节的低分辨率图像转换为相应的具有更高视觉质量和细化细节的高分辨率图像。目前,随着深度学习的快速发展,基于深度学习的图像超分辨率在理论和应用上也取得了很多的研究成果,但仍存在数据少、成对图像难获取、退化过程和真实退化过程退化核不匹配等问题。因此,如何在真实场景下更好地恢复出高分辨率图像是一个具有挑战性和开放性的课题。为了更好解决真实场景中的图像超分辨率重建任务,本文仅利用单张低分辨率测试图像,从无监督图像超分辨率的角度进行研究,引入知识蒸馏网络,提出了一种基于知识蒸馏的无监督图像超分辨率网络模型,实现了较高的真实场景图像超分辨率重建性能。本文的主要工作如下:（1）零样本图像超分辨率模型基于相同的退化模型来处理不同图像,这与真实退化过程不符,为了解决上述问题,本文利用图像的自相似性提出了图像自适应退化模型。通过挖掘低分辨率测试图像及其退化图像的块相似性,得到图像特定的退化核和对应的退化图像。（2）低分辨率退化图像和低分辨率图像之间的映射并不能完全等同于低分辨率图像和高分辨率图像之间的映射。因此,本文提出了利用知识蒸馏网络将教师网络中学习到的映射迁移到低分辨率图像重建高分辨率图像的过程当中,可以有效提升超分辨率网络的图像细节恢复能力。另外,当退化模型生成的低分辨率子图像作为教师网络的输入时,由于低分辨率子图像尺寸太小,提供的信息太少,使得学习到的映射不够准确。为此,提出了一个基于残差学习的预处理模块来辅助知识蒸馏。（3）本文所建立的图像超分辨率网络模型在合成图像和真实图像上进行测试,展现出良好的图像超分辨率重建性能。实验结果证明该方法在真实场景下可以很好的重建出图像的细节,提供了一种有效的生成富有信息性的少样本学习任务方法。