图像超分辨率（super-resolution,SR）重建作为传统的图像处理问题,在计算机视觉上取得了广泛的应用。在学者们大量的研究下,基于深度学习的图像超分辨率重建技术取得了长足的发展。但现存的SR网络的退化模型主要以双三次下采样为基础,因此SR深度网络并不适用于自然界真实图像的重建,此外现有的的模型过于复杂,参数量巨大,难以实际部署于小规模的移动客户端。针对上述背景,本文在大量研究的基础上,提出了三种SR算法,主要工作和贡献如下:首先,提出一种基于梯度嵌入级联的图像超分辨率重建算法。该算法受boosting中的经典算法XGboost的启发,在随机森林的基础上构建梯度嵌入级联结构用于提高算法性能。该算法主要工作包含以下三点。第一,增强特征,特征不仅仅考虑了图像的一阶梯度、二阶梯度、梯度大小等特征,还融合了原始低分辨率图像的信息;第二,多尺度的图像块被用于训练,增加了模型的泛化能力;第三,引入梯度嵌入结构,提高了模型的复杂度和拟合能力。实验表明:该算法相较于传统的机器学习算法性能有所提高,相较于深度学习算法,有更高的计算效率。然后,提出一种基于自校准卷积以及自适应密集连接的真实图像SR。因为真实图像退化比双三次下采样更加复杂,而且不同设备之间的退化差异很大。为了解决这一问题,该算法提出了一种新的具有大感受野的超分辨率网络——SCADC-SR。该算法的工作主要是包含以下五点。第一,引入自校准卷积作为基本卷积模块并作为注意力机制的一种补充;第二,利用高效通道注意力（ECA）构建自适应密集连接结构用以区别对待不同层级的特征;第三,利用Cutblur方法增强数据提高了模型的泛化能力;第四,在模型设计中采用了长跳跃连接,提高了深度模型结构的收敛性;第五,结合自集成和模型集成,提高了模型的鲁棒性,降低了单个模型的噪声。实验表明该算法相较于其他算法,在真实图像上取得了目前最优的性能。此外,提出一种分层神经架构搜索高效超分辨重建算法。针对难以平衡算力消耗和算法性能这一难题,本算法采用强化学习构建神经架构搜索超分辨率重建算法。主要工作包含以下五点。第一,采用全局残差学习,将搜索的部分限定在网络的非线性映射部分;第二,在非线性映射部分加入了下采样结构用于减小特征图尺寸,降低计算成本;第三,建立轻量级的搜索空间和联合奖励用于搜索最优网络结构;第四,将搜索分为宏观搜索和微观搜索两部分,分别用于搜索最优下采样位置与最优cell结构;第五,将贝叶斯算法引入用于超参数调优,在搜索出的最优子网络基础上进一步提高模型性能。实验表明该算法仅仅以很小的计算成本在性能上就超过了大多数人工设计的网络。最后,对以上三种算法进行了总结,简单分析了今后的发展与展望。