在生活质量提高的今天,人们对高清晰度图像的需求变高,之前的超分辨率重构方法已不能满足人们对于高质量图像的需求。所以基于深度学习的超分辨率（Super-Resolution,SR）技术被提出来提高图像的质量以满足多领域各人群的需求,其应用价值极为广泛,例如卫星监测、医疗军事、数字媒体,遥感等。近年来,深度学习技术不断发展,卷积神经网络（CNN）在SR重建方面取得很大成功。本文重点研究CNN的单幅图像SR重构算法。这些算法使用高清图像来建立样本数据库,通过CNN的表征能力来学习低分辨率和高分辨率图像之间的空间映射关系,然后将学习来的空间映射关系当作先验知识来重建SR图像。众所周知,随着网络深度的不断增加,过深的网络会导致高频信息流失,造成神经网络很难被训练。低频和高频信息被处理时,低分辨率图像的通道特征被平等对待,导致CNN的表征能力被减弱,提取的原始特征信息显得不足,缺少重建图像的真实细节。大部分SR技术在处理低分辨率和高分辨率信息时缺乏灵活性,那么直接提取卷积层的输出就会很难。从以上问题考虑,基于残差多注意力网络的图像超分辨率重建算法被提出来应用于单幅图像SR,并对其进行深入研究。本文提出了基于残差多注意力网络的超分辨率重建算法,并具体的介绍该模型的优势以及解决的问题。此外,还提出了跳连接中的残差多注意力结构,其不仅使网络层数变得很深,而且还解决网络加深带来的不确定问题,使主网络穿过跳连接来绕过丰富的低频信息,集中学习高频信息。该模型中还引入了多注意力块来解决上面特征没有被平等对待的问题,其被引入的主要任务是关注输入图像中有意义的特征和特征的位置信息,这样可以使模型自适应地重新分配权重来调节图像特征,使重要的信息被提取。在图像重建部分引入亚像素卷积运算,其可以降低网络的复杂性,避免人为因素的干扰。本文使任意放大因子被用于跳连接残差多注意力的超分辨率重建中。