图像的生成、传输和存储过程往往伴随着质量的退化,导致图像丢失部分内容,对不同的任务造成干扰。图像超分辨率重建是将低分辨率图像恢复为高分辨率图像的技术,在遥感探测,视频监控等领域有着重要意义。近几年使用深度卷积网络进行图像的超分辨率重建成为了研究的热点,但是现有的网络对图像细节和结构的重建能力不足,另外网络模型对计算资源的要求较高,难以满足实际应用的需求,本文针对以上问题提出两种解决方案:（1）提出了一种跨层级的非局部注意力机制,将非局部注意力机制扩展到深度卷积网络不同层级的相关特征之间;然后对使用较广泛的迭代式上下采样方法进行分析改进,考虑到反向投影过程中残差修正能力的不足,将注意力机制引入反向投影过程,捕获反向投影过程中残差和原始特征之间的远程依赖对特征进行增强,并且使用增强后的残差修正原始高维空间的特征,提升网络对图像细节的生成能力。（2）为了实现模型的轻量化,提出一种递归网络的改进方法,充分利用网络保存的记忆信息,通过让记忆信息参与各个阶段的计算提升网络的拟合能力。首先通过通道注意力机制进行自适应学习,混合记忆信息和原始输入,之后使用残差连接进行特征挖掘,并通过远距离连接再次融合剩余的记忆信息和提炼的特征;针对重建层表征能力的不足,提出了一种递归特征融合方法,接受所有来自递归记忆模块的不同层级的特征,充分考虑特征提取过程中的阶段性,通过递归方法以相同次序将特征逐次融合。本文对所提出的两个网络模型在四个基准测试集上进行实验,使用客观评价指标和经典方法进行对比,并通过不同方法重建的图像对比证明了提出模型能够带来更好的重建效果;对于两种网络,本文通过分解不同结构进行消融实验,验证提出方法的效果。