图像超分辨率重建技术是计算机视觉领域的研究热点,近年来基于卷积神经网络的图像超分辨率重建算法更是吸引了广泛的关注度。但是目前的许多模型和算法对图像的特征利用不够完善,重建效果不够理想,论文对图像超分辨率重建算法进行研究和改进,实现了高分辨率图像的恢复。论文设计了一种基于深度残差学习的超分辨率重建算法。特征提取阶段采用特殊的卷积级联组成,扩展卷积感受野。特征学习阶段采用全局残差学习和局部残差学习相结合的策略,既可以挖掘图像特征更多的内部关系,又可以减缓网络退化、梯度消失和梯度爆炸的问题。图像重建阶段采用亚像素卷积,减少外部噪声干扰,满足多尺度放大要求。在残差模块中引入融合的通道注意力和空间注意力机制,增加模型对不同特征的判别能力和对重要特征通道和区域的关注度,形成了一种基于融合注意力机制的超分辨率重建算法。在模型结构和参数训练等方面,采用PRe LU取代Re LU激活函数,避免了参数负值区域不被激活的问题。采用MSRA取代Xavier参数初始化方式,使训练过程的参数分布更加合理。采用WN取代BN操作,摆脱对训练样本数据分布的依赖。采用L1和L2结合的损失函数,既加快了参数学习的收敛速度,又使参数收敛于全局最优解。最后在标准公开数据集上进行训练和测试,通过各类对比实验,从主观和客观两种评价角度,充分验证了本次研究提出的算法能够重建出更高质量的超分辨率图像。