图像作为人类通过视觉获取信息过程中的一个重要的载体,因为其直观迅速的特点在信息传递过程中起着不可或缺的作用,人类获取物体信息的内容70%都来源于图像,一张清晰度越高的图像包含的细节信息越丰富,越有利于进行后期图像处理工作。图像超分辨率重建技术一般是指利用计算机视觉或者数字图像处理技术,通过一幅或者多幅低分辨率图像重建出高分辨率图像的过程。近几年随着人工智能的迅速发展,基于卷积神经网络的图像超分辨率相对于传统算法,由于其端对端学习的效果好,正在逐步成为主流方法。(1)基于深度跳跃级联的图像超分辨率重建:针对目前基于卷积神经网络模型中存在的网络模型收敛速度慢,训练前需要对原始图像进行预处理,网络中存在的冗余性等问题,提出一种基于深度跳跃级联的单幅图像超分辨率重建的方法。首先该算法省去预处理,直接在低分辨率图像上提取浅层特征,其次通过使用跳跃级联块可以充分的利用每个卷积层提取到图像特征,实现特征重用,减少网络的冗余性。网络的跳跃级联块可以直接从输出到每一层建立短连接,加快网络的收敛速度,缓解梯度消失问题,最后使用亚像素卷积对图像进行放大。实验表明,在几种公开的数据集上,无论是从算法的客观评价指标,还是主观效果来看,均好于现有的几种算法,充分说明了该算法的出色性能。(2)基于残差通道注意力和多级特征融合的图像超分辨率重建:针对现有模型由于网络层数过深,导致模型参数量和计算复杂度增加以及速度过慢,不适合应用到嵌入式和移动设备上等问题,提出一种基于残差通道注意力和多级特征融合的图像超分辨率重建的网络方法,首先模型不需要对图像进行预处理,然后通过引入残差通道注意力和多级特征融合提高网络的表现力,整体使用递归结构和组卷积减少计算量,降低模型复杂度。实验结果表明,所提算法在保证图像重建质量的同时降低了模型的参数量和复杂度,重建速度也有一定的提升。