尽管基于深度学习的单图像超分辨率算法达到了超过传统方法的重建结果,这类方法在前向推理过程中具有较大的计算和显存开销,导致其难以实用化。目前网络压缩和加速算法研究已经成为了深度学习领域的一个学术热点,基于这些方法,可以降低单图像超分辨率网络的计算资源需求,推动该方法的落地。因此,本文研发了单图像超分辨率网络的压缩和加速算法。本论文首先研发了单图像超分辨率网络压缩算法。先通过轻量级单图像超分辨率网络的结构设计,给出了理论计算量较低、PSNR和SSIM重建指标较高的轻量级单图像超分辨率网络;再研发了单图像超分辨率知识蒸馏算法,在不改变计算量的情况下进一步提高了轻量级网络的重建指标。其次,论文研发了单图像超分辨率网络加速算法。先设计了单图像超分辨率的剪枝算法,基于不同的局部剪枝系数进行通道剪枝,在很少降低网络重建指标的情况下降低了计算量;再基于cudnn和TensorRT设计了网络的加速方案,通过内存复用方法降低显存开销,并提高了网络的前向推理速度。实验结果表明,压缩加速得到的轻量级单图像超分辨率网络重建指标优秀,在Set5、Set14、Urban100、B100数据集上的PSNR测试值分别可达37.85dB、32.85dB、31.66dB、32.06dB,并能以相比非显存复用方案降低27.4%的显存开销,以56fps的帧率进行前向推理。