一直以来,图像超分辨率重建都是图像处理领域的一大热点问题。目前,基于深度学习的方法作为图像超分辨率重建方法的首选,已经在视频监控、遥感卫星、医疗成像以及多媒体等领域取得了较大的研究进展,并且体现出非常大的应用价值。因此,本文致力于对基于深度学习的图像超分辨率重建方法进行研究。通过有效地设计卷积神经网络结构,基于深度学习的方法在图像超分辨率重建效果上取得了显著提升。但该类方法未充分利用图像中自然存在的非局部相关性,以及未有效利用图像的高阶统计特征,导致重建效果不够理想。针对以上问题,本文提出了一种基于非局部及二阶特征融合的网络结构。一方面,非局部模块充分利用图像中自然存在的自相似特性作为先验信息,对图像中丰富的结构信息进行挖掘,以此获取图像的空间上下文信息;另一方面,二阶注意力机制能够对通道间的特征响应强度进行自适应加权处理,同时通过协方差池化操作来探索图像的二阶特征统计量,实现更强大的特征表达和相关学习能力。另外,在网络中采用长跳跃连接,能够有效地从低分辨率图像中传递更丰富的低频信息,并简化网络训练。仿真结果验证了非局部及二阶特征融合模块对重建效果的影响,且所提方法在客观评价指标和视觉效果上均优于其他几种经典的图像超分辨率重建方法。通过对自然图像固有属性的捕捉,有效地提高了网络的特征表达能力。然而,通常来说,图像的特征信息是不同尺度的,如果只在单一尺度下提取图像特征,就会丢失多尺度结构下完整的特征信息。针对以上问题,本文引入多尺度特征融合模块,提出一种基于注意力机制及多尺度特征融合的网络结构。对于注意力机制,非局部和二阶特征提取模块可以分别看作是空间注意力机制和通道注意力机制;对于多尺度特征融合模块,利用不同尺度的卷积核来提取图像的不同尺度信息,从而保存多尺度下完整的信息特征。通过仿真分析可知,相比于其他几种经典的图像超分辨率重建方法,所提方法在客观评价指标和视觉效果上均有了进一步的提升。