随着社会的不断发展,已经进入一个信息化的时代,在每天接触的大量信息中,图像信息就占据很大的一部分,因而人们在不断追求高质量的图像。而超分辨率重建的方法因为是基于软件的方法,具有不涉及硬件及普适性强的特点,在图像处理领域中逐渐成为研究热门,而且在实际应用中,图像超分辨率重建技术也被广泛应用于医学,军事和遥感等领域。图像超分辨率重建的主要任务是从低分辨率图像中获取信息,重建出具有更高清晰度的高分辨率图像。图像超分辨率重建的方法主要可以分为两类,分别是基于重建的算法和基于样本学习重构的算法。近几年,在基于样本学习中的基于深度学习的超分辨率重建算法,因为能处理更多的数据,自动提取特征,建立从低分辨率图像到高分辨率图像的映射关系,而且相比较传统方法,重建效果也远远优于,因而基于深度学习的超分辨率重建算法,逐渐引起人们注意,成为研究的热门。本文首先介绍了超分辨率重建算法的发展背景、研究现状以及超分辨率重建算法领域里常见的评价方法,之后介绍了卷积神经网络的基础知识,以及在深度学习领域里一些经典的超分辨率重建算法。随后在分析这些经典算法之后,发现这些算法模型深度在不断加深,同时因为传统卷积方式的不高效,包含大量冗余信息,导致模型的复杂度越来越高。本文针对这些问题,提出一种新的残差结构,该残差结构加入了高效的卷积——八度卷积(Octave Convolution),它将特征图分成高频和低频两部分,从而压缩信息;同时为了更好的提取特征,在残差结构中加入了通道注意力机制。随后提出了以此残差结构为基础的单帧图像超分辨率重建的模型。本文模型的目的就是为了通过减少模型的冗余信息,降低模型运算量,同时增强图像重建的效果。在经过大量的公开数据集训练之后,使用PNSR和SSIM评价方法在超分辨率重建领域中常用的验证集,进行验证。实验结果证明本文算法能够在降低模型运算量的情况下,同时取得不错的效果。