图像是视觉信息的主要载体之一,而由于各种因素,获得的图片分辨率往往有限,因此常利用超分辨率方法对图像细节进行推测并重建。但现有方法多是端到端的训练,复杂网络模型对设备要求较高。此外图像不同部位的重建纹理往往与该部位的类别存在很大关系。因此,本文从数据集准备和先验信息提取两个方面进行深入研究,以提高超分辨率重建算法的性能。本文主要工作和成果如下:（1）提出了超像素分割能够将一张图像拆分为多流形数据结构的假设。不同于通常超分方法对图像的全局提取信息,该方法将一张图像视作由多个不同类别的像素块共同组成,而每个类别内的像素块处于一个平坦流形曲面上,重建纹理具有相似性。利用超像素分割将图像分割为不同部分,以每个部分分别独立可以大大增加数据集数量,同时由于超像素性质,每个部分内像素具有相同类别,令数据集中的每张图片的纹理更为单一,能够降低对特征提取网络复杂程度的需求。而根据图像块类别,能够将大量图像块划分到若干子流形上。（2）提出利用图像梯度和测地线距离对SLIC做出改进。在BSDS500数据集上进行测试,实验证明改进的超像素方法在去除离散点的同时,相比其他超像素方法能够以更少的分割数量取得更优的分割精度和形状更规则的像素块,尤其反应图像块内像素类别纯净程度的ASA达到0.978。同时自适应计算分割数量的方法使得不同图像的分割结果在各项指标上更为相近。（3）提出以分割后图像块的类别作为先验引导图像超分辨率重建。在作为图像块分类依据的双线性特征上进行变换,生成超像素块的特征概率图。利用稠密链接将特征概率图作为图像超分辨率重建的先验信息,并加入通道注意力机制增强有效信息。实验结果证明,本文方法在x2放大时相比DBPN的峰值信噪比高约0.1～0.2d B,略有提升,相比RCAN虽然峰值信噪比相近,但参数量减少一半。