图像超分辨率重建是指我们在已有的低分辨率的图像上通过软硬件的手段恢复出高分辨的清晰图像这一过程,其一直是图像处理以及计算机视觉领域的热门问题。最近,基于深度学习的图像超分辨率重建方法不断涌现,并且结果喜人,这一领域在研究工作者的不断努力下取得了长足的进步。但是,目前的方法仍然存在着诸多的问题,例如:网络模型较为复杂,参数量大,实用性不高;重建图像过于平滑,细节信息丢失严重等等。针对这些存在的问题,我们结合已有方法中的优点,提出了一个基于特征融合注意网络的图像超分辨率算法。该算法旨在降低网络参数量,提高网络的实用性,同时能够提高网络对于特征的筛选利用能力,使得重建结果包含更多的纹理细节,拥有更大的信息量。具体来说,本文的主要贡献有以下几点:(1)提出了多级特征融合网络结构。以往的多种超分辨算法都表明:网络深度是影响网络性能的最重要因素之一。随着网络的越来越深,感受野会不断增大,各网络层提取的特征逐步抽象。网络模型不同深度提取的特征,均含有有利于超分辨率重建的信息,以前的方法,大多忽略了如何充分利用这些信息。我们提出的特征融合子网络可以更高效的利用这些信息。(2)提出了特征注意网络结构。超分辨率重建的重点是复原图像纹理边缘等高频细节信息,之前的方法通常对提取出来的特征信息同等对待,没有重点关注图像边缘和纹理等细节。我们设计一种注意模块,引入注意机制,对图像重建过程中的高频信息进行增强处理,从而获得细节更清晰的重建图像。(3)采用分级重构参数共享以及卷积块的递归结构以减少参数量。多级子网络之间的所有模块采用参数共享的策略。同时,每一级子网络中特征提取模块中的残差卷积块采用递归结构,进一步降低参数量。两种策略相互配合,使我们网络模型的参数数量大大的减少了,同时使得模型结构更加紧凑运算速度加快。综上所述,我们基于卷积神经网络理论基础,对基于深度学习的图像超分辨率方法进行改进创新。提出了基于特征融合注意网络的单幅图像超分辨率算法,并在此基础进行论证研究。结果表明:通过和其他基于深度学习的超分辨率算法比较,本文方法从主客观两方面都表现出更加优异的图像重建效果。