图像在人们的生产生活中扮演着至关重要的角色,已成为最主要的信息载体之一。然而,易于获取的低分辨率图像存在模糊、细节不足等问题,因此图像的超分辨率重建技术具有重要的研究意义和应用价值。近十年来,深度学习取得了爆发式的发展,研究人员纷纷将其应用于图像的超分辨率重建领域,研究成果层出不穷。尽管现有算法能够获得相对清晰的超分辨率图像,但仍有许多不足之处,例如,生成的图像中存在结构失真、边缘模糊以及纹理细节不足等问题。针对上述问题,本文提出两种方案进行改进,主要工作如下:1.提出了一种基于多残差块的超分辨率重建算法。多残差块由三种不同功能的残差块组成,分别为残差梯度块、残差小波变换块和残差通道注意力块。这三种不同功能的残差块能够对图像中的各种信息做出针对性处理,从而有效地提升网络的表征能力。其中,残差梯度块能够充分保留结构信息,从而获得清晰、锐利的边缘。在残差小波变换块中,图像经过小波变换后生成了四个子带,这些子带包含不同频率的信息,有助于纹理、边缘等高频细节的重建。残差通道注意力块能够调整网络的注意力,着重学习重要的通道特征,从局部上恢复图像高频信息,增强了网络的重建效果。在4个基准数据集上进行实验,结果表明该算法的重建性能均优于其他算法:在视觉效果方面,该算法产生的图像具有准确、完整的几何结构,清晰的边缘以及丰富的纹理细节;在客观指标上,该算法产生的结果均高于其他算法。2.提出了一种基于通道-扩散双分支网络的超分辨率重建算法。通道-扩散双分支网络由通道扩散残差块级联而成。在一个通道扩散残差块中,设计了一种自适应卷积来扩展视野并从周围的空间和通道中提取更多的信息,再将提取到的信息分别输入通道注意力分支和扩散分支中计算注意力,以重新校准特征。通道注意力分支能够调整不同通道特征的大小,以加强重要语义的表达。扩散分支是对空间注意力机制的改进。在扩散分支中,受Perona-Malik扩散方程的启发设计了一个P-M扩散层,该层是一种改进的残差块,能够根据每次迭代出的梯度对边缘进行定位,在梯度较大（即靠近边缘）的地方,降低扩散系数以锐化图像的边缘。此外,扩散分支为空间信息分配不同的权重,使模型能够聚焦于重要区域,有利于图像中信息密集区域的重建。在基准数据集上的实验结果表明,所提出的超分辨率网络在视觉效果和定量结果上都优于其他算法,同时在重建质量与模型复杂度之间达到了相对平衡。另外,本文将此方法应用于芯片显微图像的重建,并利用高分辨率芯片显微图像进行硬件木马的检测。该算法在芯片显微图像上的重建效果优于其他算法,硬件木马检测准确率达80%。