单幅图像超分辨率重建是指由单张分辨率较低、细节表达不清晰的图像重构得到高分辨率图像的处理技术。由于高分辨率图像能够提供更丰富的信息,在图像理解、图像分析等计算机视觉任务中意义重大,而目前的很多超分辨率算法重建结果不能满足众多实际应用需求,存在重建图像真实度不高,缺失细节信息,计算复杂等不足,所以,对于图像超分辨率技术的研究仍然具有重要价值。本文基于深度学习的方法对单幅图像超分辨率重建展开研究,有效提高了算法的运行效率与效果。主要工作如下:（1）深入调研了图像超分辨率技术的发展历史以及研究现状,对于该技术的理论基础以及典型算法做了详细分析,证实了深度学习方法所具有的优势,并从理论层面对相关的深度学习方法做细致阐述。（2）提出在极深卷积神经网络基础上改进的超分辨率算法。针对以插值放大后的低分辨率图像作为网络输入所带来的计算复杂问题,设计模型以不经预处理的低分辨率图像直接作为输入,在最后阶段采用亚像素卷积层进行放大来提高运行效率。输入层应用多种尺寸卷积核来提取低分辨率图像特征,以增强特征丰富度。对于深度网络模型训练收敛困难的问题,提出采用全局残差与局部残差结合的模型设计思想,使训练更容易。实验结果表明,所提算法图像重建质量提升,细节恢复效果更好。（3）提出基于通道注意力机制生成式对抗网络的超分辨率算法。一般的卷积神经网络平等的对待各特征通道的信息,使得高频细节的重建效果不佳,缺少纹理细节,并且单纯以生成像素级最接近高分辨率图像作为优化目标会使重建的图像真实度降低,平滑效应明显。针对以上问题,设计生成式对抗网络进行超分辨率重建,生成模型将通道注意力机制集成在残差块中,判别模型采用相对判别器,损失函数基于L₁损失、感知损失及对抗损失的组合,模型训练分三个阶段进行以增强稳定性。实验结果证实,所提算法重建的图像真实度高,纹理细节丰富,视觉效果更好。