随着短视频应用快速走红和流媒体平台的兴起,视频影像已经成为人们日常交流的重要媒介,用户对影像质量的要求越来越高。为了解决硬件设备或网络传输带宽受限带来的图像降质,改善移动端设备或网页端应用的画质质量,常会使用图像超分辨（Image Super-Resolution,SR）算法来帮助提升用户体验。图像超分辨率任务通过对给定的低分辨率图像进行建模,学习从低分辨率空间到高分辨率空间的逆向映射,从而达到对图像空间分辨率增大和图像质量增强的目的。另一方面,由退化过程带来的不适定性,使得图像超分辨率任务成为一个充满研究挑战的经典底层视觉问题。目前,主流的基于深度学习的图像超分辨率算法大都依赖于增加模型的复杂度来提升图像超分重建的效果。但由于这些模型复杂度高,对计算资源的消耗大,导致了很多性能优异的算法模型很难部署到实际的应用场景中。为了有效地解决模型部署困难、高耗能、推理速度慢的问题,本文给出了轻量化的图像超分方案,用以解决在资源受限的情况下的模型部署问题,提升模型的实用性。具体研究内容如下:（1）提出了一个基于注意力机制和多尺度残差网络的轻量化图像超分辨模型。首先,结合密集连接和通道注意力机制来增强算法模型的多尺度表征能力从而提高图像超分重建性能。其次,在训练过程中使用均方差和全变分组合而成的损失函数来消除重建过程中由噪声带来的影响。最后,通过实验分析和结果对比,得出所提出的图像超分辨率方法具有更好的重建性能和更快的处理速度。（2）提出了一个基于全局残差学习、特征加权融合和多尺度机制的轻量化图像超分辨率方法。首先,分析了现有的轻量化图像超分辨率方法存在的不足,给出了基于深度可分离卷积的轻量化多尺度残差模型。其次,通过一系列的消融实验论证了所提出模块的有效性。最后,在五个基准测试集和带压缩的真实低分辨率图像数据上测试了所提出的算法的性能。在更低的模型复杂度下,可以实现与之前的轻量化模型相当的性能表现。