超分辨率复原技术可以获取更高质量的图像,同时恢复成像过程中丢失掉的高频信息,在图像识别、目标检测等诸多领域具有广泛的应用意义。基于卷积神经网络的方法是当前超分辨率复原领域的主流技术,取得了显著优于传统算法的结果。但是现有网络通常是针对特定比例而训练的,难以同时支持不同比例的分辨率提升。本文针对这一问题,在对基于增强残差网络的超分辨率复原算法进行深入研究的基础上,开展了基于注意力机制的逐分辨率提升超分辨率复原网络的研究工作,通过一个网络实现多个分辨率的逐级提升。进一步面向人脸识别应用,提出了一种基于局部信息增强的人脸图像超分辨率复原算法,在重建高分辨率人脸图像的同时,对局部的五官区域进行进一步增强,提升图像的整体质量。具体包括:深入研究并测试分析了一种基于增强残差网络的图像超分辨率复原算法。在对现有基于卷积神经网络的超分辨率复原算法进行全面调研的基础上,对基于增强残差网络的超分辨率复原算法的原理与网络结构进行了深入研究,在PyTorch框架下复现了该算法,进一步以此为基础实现了多尺度超分辨率复原算法,在同一网络中同时获得了不同比例的超分辨率复原。最后采用通用数据集对两种算法的性能进行了全面的测试分析,验证了算法的有效性,为更高性能的超分辨率复原算法的研究奠定了基础。设计实现了一种基于双重注意力机制的逐分辨率提升图像超分辨率复原的算法。在基于增强残差网络的超分辨率复原算法基本框架下,引入特征维度与空间维度的注意力模块,提升了模型的特征提取能力;进而借鉴对抗神经网络领域逐分辨率提升网络的相关思想,简化了网络学习难度,实现了同一网络内对分辨率的逐级提升。最后通过多个数据集对算法性能进行了测试,实验结果表明,本文方法能够在同一网络逐级实现多尺度分辨率的提升,且重建图像的PSNR值显著优于主流算法。设计实现了一种基于局部信息增强的人脸图像超分辨率复原算法。针对人脸图像五官间的差异性,在超分辨率复原网络的设计过程中融入人脸特征信息。在对整张人脸图像进行超分辨率复原的同时,通过设计基于GAN网络的人脸局部信息超分辨率复原网络;对人脸的五官区域进一步增强,最后通过二者的融合重建更高质量的人脸图像。采用CeleA数据集对算法性能进行了测试分析,结果表明局部信息增强网络的引入对于提升重建图像质量具有显著效果,取得了优于通用超分辨率复原算法的实验结果。