超分辨率技术旨在利用同一场景的一幅或多幅低分辨率观测图像重建相应的高分辨率图像。相关的成果可以应用在多个领域,如医学影像处理、视频监控识别、超高清多媒体图像视频等。近十年来,深度学习技术取得了不断的进步,并大量应用于计算机视觉相关任务,使用深度学习进行超分辨率重建也受到了国内外学者的广泛关注。深度学习模型可以直接拟合低分辨率图像和原来的高分辨率图像之间的潜在映射关系,对生成高分辨率图像进行指导和约束,相较于传统方法,在性能方面有了显著的提升。但是由于超分辨率重建是一种不适定问题,基于深度学习的超分辨率算法依然存在一些问题,例如,深层单幅图像超分辨率卷积神经网络在重建的精度和模型参数量方面仍有进一步改进和提升的空间;现有视频超分辨率卷积神经网络在视频帧的特征对齐和融合方面存在一些不足。针对以上问题,本文深入研究了基于深度学习的超分辨率算法,总结和分析了以往方法的优缺点,并从单幅图像、视频和轻量化超分辨率三个方面提出了一些有针对性的解决方案。本文的研究工作主要分为以下几点:1.针对以往单幅图像超分辨率网络独立使用一种或多种注意力机制对特征的空间和通道关系进行建模,并且忽视了网络中不同层之间的特征相关性,提出了一种基于全局上下文注意力网络的单幅图像超分辨率算法。首先使用多个残差组进行特征提取,每个残差组包含多个全局上下文注意力模块,用于获取特征的非局部空间依赖关系和通道信息,然后使用组间融合模块对不同组之间的特征相关关系进行建模,并对具有层次性的特征进行高效的融合。为了验证模型对单幅图像重建的有效性,在多个数据集上进行了相关的实验。实验结果表明,与一些主流的图像超分辨率算法相比,本文算法具有更高的性能指标和更好的视觉效果。2.针对以往视频超分辨率卷积神经网络在视频帧的特征对齐和特征融合方面存在运动信息估计不精确、特征融合不充分等问题,采用反向投影原理并结合多种注意力机制和融合策略,提出了一种基于注意力融合网络的视频超分辨率重建算法。首先,为了处理相邻帧和参考帧之间的多种运动,采用反向投影结构来获取运动信息的误差反馈,然后使用时间、空间和通道注意力融合模块来进行多维度的特征挖掘和融合。通过学习视频帧内和帧间特征的不同权重,充分挖掘了视频帧之间的相关关系,并利用迭代网络结构采取渐进的方式由粗到精地处理提取到的特征。在两个公开的基准数据集上的实验结果表明,该网络能够有效处理包含多种运动和遮挡的视频,与一些主流的视频超分辨率方法相比在量化指标上有一定的提升。3.针对一些基于卷积神经网络的超分辨率模型参数量大、计算量高,难以部署在具有有限资源的实际应用设备上的问题,提出了一种基于多通道聚合网络的轻量化单幅图像超分辨率算法。通过多通道切分和聚合操作实现多通道特征的高效提取,并利用多尺度空洞卷积扩大特征感受野,探索特征的空间关系。实验结果表明,与一些主流的轻量化单图像超分辨率算法相比,本文提出的算法具有更好的性能指标和更少的模型参数量。