作为图像超分辨率重建领域的研究重点,基于深度学习的单图像超分辨率网络在增强图像细节、恢复图像纹理和复杂结构等方面具有很高的应用价值,并取得远超传统方法的重建效果。由于增加网络深度可以有效提升图像重建质量,网络堆叠得越来越深,参数规模和计算复杂度大幅增加,时空开销巨大。本文研究课题的依托项目（详见附录A）需要针对大批量超大尺寸图像完成超分辨率重建。但是绝大多数基于深度学习的单图像超分辨率网络所消耗的显存空间极其巨大,甚至突破了大多数GPU的显存容量,只能在少量计算和存储能力较强的设备上进行部署应用;此外,这类网络完成超分辨率重建所需的时间太长,难以满足实际需求。因此针对模型的轻量化结构和推理加速的研究愈发重要。本文研究所着重解决的问题是:在保持良好的图像重建精度时,如何大幅减少超分辨率重建的时空开销。而技术难点在于:低分辨率图像与高分辨率图像的映射关系非常复杂,传统的基于深度学习的模型通过堆叠大量的卷积层来学习这种隐含的映射关系。粗暴地减少网络层数会严重损耗所学习的映射关系的拟合精度。因此,本文的核心设计思想是:构建一种高效的网络结构,在减少网络层数的同时,可以充分提取隐含的低分辨率图像到高分辨率图像的映射关系。具体的技术路线为:结合信息蒸馏机制和组卷积策略,设计组特征信息蒸馏网络,然后深入分析网络中张量显存复用和计算图融合的优化策略并设计GPU前向推理加速算法。本文的主要工作和创新点详述如下:1)分析了信息蒸馏算法的核心——渐进式精炼模块的缺点:第一,机械应用通道拆分操作使得蒸馏特征质量不足;第二,特征精炼支线的参数和计算存在冗余。针对这些缺点,本文提出改良的渐进式精炼模块。2)提出组特征信息蒸馏网络（GFIDN）。该网络既能享受组卷积的轻量化和跳跃连接的高效率的优点,也由于应用信息蒸馏机制而保持了较高的图像重建质量。相较于基线模型,本文所提出的GFIDN实现了最佳的执行时间、最佳的显存消耗以及几乎相当的度量指标,在重建质量和模型复杂度之间取得良好的均衡。3)设计GPU前向推理加速算法。基于GFIDN的网络结构,深入分析各层网络中张量显存复用和计算图融合的优化策略,然后结合TensorRT构造前向推理引擎,从而显著降低推理时间和显存开销。基于Muti-Process Service并发执行多个推理进程进行大批量超大尺寸图像的超分辨率重建,通过自适应裁剪模块匹配推理进程的最佳并行规模和最优平均推理时间。相较于传统模型,端到端的多进程并行推理系统最优吞吐率加速比可达41.32。