分辨率是影响图像质量的重要因素之一。随着信息技术的发展,人们逐渐提高了对于高质量图像的需求。单幅图像超分辨率（SISR）重建技术由于其成本低和应用灵活便捷等优势而被广泛关注。然而,光照不均匀场景作为人类生活的重要场景之一,常常导致拍摄的图像存在严重的光照问题,从而对SISR方法的性能造成不良影响。因此,研究光照不均匀场景的SISR重建方法对于非良好光照环境的高分辨率图像采集具有重要理论意义和实用价值。当前,面向光照不均匀场景SISR方法的研究较少。现有SISR方法的研究主要针对正常光照场景下的图像,它们因缺少光照增强先验知识而无法恢复颜色和照度信息,而低光照图像增强方法则无法重建丢失的高频细节信息。并且,在光照不均匀场景中,现有SISR方法缺少高效的低光照图像特征表达方式,显著变化的光照特征干扰高频细节信息的感知,导致重建图像的纹理模糊和颜色畸变。本文针对光照不均匀场景的SISR重建方法,围绕低光照图像和非均匀照度图像的研究对象从增强模型特征表达能力和感知能力出发,开展并取得以下研究和成果:（1）提出了基于双向一致的级联超分辨率重建方法。该方法先通过光照增强的预处理移除低光照影响,再利用下游超分辨率模块重建高分辨率图像。针对光照增强引入的未知退化信息,该研究构建了双向一致性学习机制,利用图像重建和退化的双向一致性联合监督图像重建网络的学习,从而进一步增强网络对于未知信息的感知。此外,增强循环残差单元通过交替计算和递归计算增强传统残差单元的特征表达能力。该研究通过光照增强和图像超分辨率模型的级联框架能够有效完成低光照图像的颜色照度和纹理细节的超分辨率重建。（2）提出了基于边缘保持和颜色恢复的端到端超分辨率重建方法。考虑到级联模型会引入未知退化信息,该研究构建了基于Retinex的端到端超分辨率模型,分解图像反射和照度分量并分别对它们进行上采样和光照增强,从而减少光照对于纹理感知的影响。并且,本文基于该模型设计了基于边缘保持和颜色恢复的图像超分辨率网络,通过卷积神经网络实现了图像分解及反射和照度分量的上采样,恢复高光照颜色和照度信息。此外,该网络通过融合重建的梯度特征进一步增强高频细节信息。该研究采用端到端的重建模型避免了级联模型的固有问题,并引入Retinex理论提高了光照和纹理重建的特征表达能力,从而抑制颜色畸变和提高纹理细节清晰度。（3）提出了面向非均匀照度的光照引导超分辨率重建方法。针对非均匀照度导致重建图像产生曝光和纹理退化的问题,该研究在光照分布的分析基础上构建了光照强度估计模块,并利用预测的多尺度光照特征引导超分辨率重建过程。并且,动态U型网络被构建用于图像超分辨率重建,不同深度的多分辨率编码特征和由粗到细的解码过程抑制了光照信息对纹理感知的干扰以及低光照噪声问题,门机制被引入来动态调节网络结构以适应多尺度超分辨率。此外,交叉融合模块进一步优化光照信息对编、解码特征的逐层引导。提出的光照引导交叉融合超分辨率U型网络提高了非均匀照度图像的超分辨率重建效果,抑制了过曝光问题,增强了模型光照鲁棒性。（4）提出了交叉域先验监督的零样本超分辨率重建方法。针对复杂场景中先验训练样本难以获取的问题,该研究构建了交叉域先验监督的零样本学习机制,利用现有的低光照增强模型和正常光照SISR模型的先验知识联合监督低光照SISR模型对于不同属性知识的学习。并且,基于多尺度通道Transformer的U型网络被构建用于低光照图像超分辨率重建,其中多尺度通道Transformer模块被设计用于融合和增强不同深度的多分辨率编码特征,从而增强高效通道特征的响应,提高重建图像的感知特征。该研究探索了低光照SISR模型的零样本学习方法,并有效重建了低光照图像的颜色光照信息和纹理细节信息。