超分辨率重建主要指通过软件或算法对图像分辨率进行二次提升,得到高分辨率图像。近年来,基于深度学习的图像超分辨率重构技术发展迅速,具有经济成本低、部署难度小等优势,是目前图像分辨率提升的有效方法。但相较于普通图片,遥感影像储存的信息量更庞大,所含地物间的关系更复杂。若将目前针对于普通图片设计的超分辨率网络模型直接套用在遥感影像的处理上,往往会出现训练不稳定、网络收敛速度慢、重构图像光谱失真和边缘细节丢失等问题。对此,本文提出了一种基于生成对抗网络的增强型注意力遥感影像的超分辨率重建方法（Enhanced Attention Generative and Adversarial Network,EAGAN）,用以解决遥感影像的超分辨率重构所面临的问题。本文主要研究内容如下:（1）分析了目前较为经典的三种超分辨率重构网络,并针对该类网络在训练过程中出现的收敛时间长和光谱扭曲的问题设计出一个复合型损失函数。该复合损失函数的改进点主要包含两个方面:改进后对抗损失函数和改进后色彩损失函数。1、传统对抗损失函数遵循Jensen-Shannon散度,训练过程中容易引发梯度消失,加大网络收敛难度。因此,改进后的对抗损失函数采用Wasserstein距离的变体形式作为生成网络的质量评价标准,将生成网络和判别网络的最大距离设为2而非无穷大,加强对生成网络和判别网络的约束性,以此降低整体模型的收敛时间;2、传统色彩损失函数易受色彩分布失衡影响,对此,改进后的色彩损失函数引入像素的经验分布作为权重因子。根据像素的占比对重建错误的像素点进行自适应加权,克服因影像整体色彩分布不均造成的重构结果饱和度普遍偏低的问题。实验结果表明,复合损失函数不单能加快网络的收敛速度、避免网络进入训练僵局,同时可确保网络生成具有多元色系、高饱和的重构影像。（2）为了解决重构影像可能出现的光谱扭曲和边界、轮廓信息缺失等问题,本文设计了一种增强型注意力机制（光谱注意力和边界注意力）。1、光谱注意力机制通过自适应低通滤波生成影像中每个像素点的特征权重图,再通过卷积运算更新像素权重,使网络在正确把握影像的整体光谱分布情况的同时去除不必要的噪声信息。2、边界注意力机制通过拉普拉斯运算得到特征图像的边界轮廓信息,将其归一化后作为边界权重对特征图进行边界加强运算,进一步丰富重构后影像的边缘特征细节。经过在AID数据集、Kaggle开源数据集和Ji Lin-01光学卫星影像数据上展开对比实验,证明了EAGAN相比于三种经典的分辨率重构网络（FSRCNN、VDSR、SRGAN）的优越性。结果表明,对于不同类型的遥感影像,EAGAN具有较强的泛化能力,其生成的超分辨率重构影像包含更真实的光谱信息和更丰富的边界特征,这是FSRCNN、VDSR和SRGAN所不能实现的。