遥感技术的发展,让高质量的遥感图像被广泛应用到气象观测、灾害监测、地理制图、军事侦察、国土资源测绘和遥感目标检测等领域。然而在获取遥感图像时由于距离远、目标复杂、成像系统分辨率不足等因素,导致获取的遥感图像质量低下。超分辨率重建技术突破了硬件系统的局限,能够很好地提高图像分辨率,恢复图像的细节信息,给遥感图像的质量提升带来了新方向。深度学习快速推动了超分辨率重建技术的发展,基于卷积神经网络（Convolutional Neural Network,CNN）的重建方法也不断涌现出来,并在图像的重建上发挥了非常好的作用,因此图像的质量得到了有效的提升。本研究针对遥感图像重建过程中的复杂问题,提出两种基于卷积神经网络的遥感图像超分辨率重建算法。具体的研究内容如下:（1）针对CNN方法中的大量运算以及模型对卷积运算的依赖性,提出一种多尺度特征自我注意融合的超分辨率重建网络模型。本模型首先利用不同的卷积核对图像进行特征提取,获取不同尺度的特征信息。然后利用空间注意和通道注意并联构成的自我注意融合模块,建立起图像不同区域之间的相互关系,选取有用的通道来适应复杂的遥感图像,尽可能保留所获取的不同层级的信息,以此提高其表示和学习全局特征的能力。特征信息经过上采样处理后,利用自适应的方式来实现图像的重建。在整个重建的过程中,模型简单的结构减少了不必要的流程,并优化了网络层数。实验结果表明,重建的图像在主客观评价上均呈现了良好的效果,尤其在放大因子为2时,本算法的PSNR值比其他算法高出0.16-4.11d B,SSIM值达到了0.9602,重建的图像也更加清晰。（2）针对结构复杂的遥感图像特征提取单一、细节丢失的问题,提出一种改进的卷积神经网络超分辨率重建方法。将多尺度特征提取与残差通道注意力结合,首先利用三种不同的卷积核对低分辨率图像的多尺度浅层特征提取,接着用六个残差通道注意力块获取深度的信息特征。然后使用相同的递归层进行特征处理,在递归的过程中逐步增大感受野,同时增强上下文的信息。通过在整个网络中使用长短跳跃连接融合不同的特征,避免特征信息在传输过程中的低效。利用深度CNN来进一步减少计算量,加入并行1×1网络减少输入维数,以加快图像信息处理的速度。最后在重建时通过融合高低频信息,来实现更好的重建效果。实验结果表明,提出的网络模型相比其他模型取得了更好的效果,在放大因子为2时,PSNR值比其他算法高出0.32-4.38d B,SSIM值达到了0.9612,重建的图像提取了更多的特征,在细节上也更加丰富。