随着智能设备和高清视频的普及,图像质量已成为各行各业普遍关注的焦点。为了提升图像的质量以满足高分辨率图像的使用需求,图像超分辨率重建技术被提出,该技术已被广泛应用于工程实际中。传统的图像超分辨率重建方法会造成图像细节缺失和模糊等问题,在工程应用中存在一定的局限性。当前,基于深度学习的图像超分辨率重建方法相比于传统的方法表现出了更好的效果,其主要利用增加网络参数和复杂度来提升模型的重建性能,但是这种做法无疑会给模型带来更多的计算负担,使得其在移动设备上进行部署时,存在很大的挑战。针对这些问题,本文对基于深度学习的轻量级超分辨率重建算法进行重点研究,设计了两种轻量级的超分辨重建模型,主要工作如下:首先,针对目前多数使用卷积神经网络的图像超分辨率重建方法存在网络结构复杂、参数量过大、推理速度缓慢等问题,利用XLSR的思想,设计了一种基于重参数化的轻量级超分辨率重建模型,以在提高模型的重建精度的前提下,提高模型的推理速度。采用分组卷积进行图像特征提取可有效降低网络参数量,同时为提升重建性能,引入了一种新颖的轻量级通道注意力机制Coordinate Attention,其具有准确定位目标位置和保持通道之间相互依赖性的双重优势。并引入结构重参数化的思想,在保证重建性能的提升的前提下,进行无损压缩加快推理速度。实验结果表明,本文方法在多个数据集上的重建性能和主观感受都优于XLSR方法,并且重建速度也得到了提升。其次,以轻量级超分辨率重建方法会丢失部分细节信息,造成重建图像比较平滑的问题为出发点,结合GAN和感知损失函数,设计一种感知型的轻量级超分辨率重建网络来减少细节信息的丢失,使得重建图像更加真实。为了轻量化生成网络结构,设计了轻量化的特征提取器来替换SRGAN中的深度残差模块,并在网络多个分支中加入参数,来学习各分支对网络的影响,增加网络的学习能力和灵活性。在此基础上采用编解码结构以减少噪声的影响并加快网络训练速度,编码结构可以缩小输入到网络中的特征尺寸,减小网络计算量,解码结构可以从中间特征中恢复出图像的抽象特征信息,减少噪声对模型的影响。为了减少因下采样带来的特征信息丢失,在下采样之前使用跳过连接和全局长跳连接来最大限度的保存图像的特征信息。实验结果表明,本文方法在多个数据集和多种评价指标下均表现出优秀的性能,而且重建的图像视觉效果更好,更加真实。最后,利用PyCharm软件开发环境中的Qt Designer等工具设计了图像超分辨率重建系统,并对系统各个功能模块进行设计并测试。测试结果表明,本文系统能够在极短的时间完成对低分辨率图像的实时超分辨率重建,达到了预期的研究效果。