随着技术的不断发展,在大量应用场景中对于高分辨率图像的需求越来越迫切。图像的空间分辨率受到成像传感器和拍摄环境的限制,导致获取的图像分辨率不高,因此超分辨率技术成为获取高分辨率图像的主流方法。本文通过从特征分解、特征冗余和特征增强三个角度对基于卷积神经网络的超分辨率算法展开深入研究。具体的研究工作如下:首先,本文提出了一种基于小波域的深度残差网络超分辨率算法(Deep Residual Wavelet Super Resolution,DRWSR)。考虑到基于空域的超分辨率算法趋于产生模糊和过平滑的结果,本文从小波变换实现特征分解的特性出发,将网络学习高分辨率图像的任务转变为学习一系列分解后的小波图像。这一操作很大程度地克服传统深度学习方法无法重建很多细节的缺陷。同时,利用将全局残差学习与局部残差学习相结合的思想设计了一种更加灵活且有效的网络结构,实现更多信息的捕获。在此基础上,该方法还利用空域和小波域两种约束来训练网络,尽可能地避免出现伪像,实现与目标高分辨率图像更相似地重建。实验结果都表明,该方法无论是视觉效果还是客观指标均取得优于相关的图像超分辨率算法的效果,能够重建出更多地细节信息。其次,本文从特征冗余的角度分析超分辨问题,针对DRWSR网络中引用的残差块在超分辨率问题中存在的信息冗余问题,本文在其基础上提出一种改进算法——自适应残差学习的超分辨率算法(Self-Adaptive Residual Wavelet Super Resolution,SARWSR)。原始残差块的操作是将输入与经过卷积的输出直接相加,而本文提出的自适应残差块学习是通过利用对输入信息进行加权的方式来获取更有效的信息,其中加权的方式是通过映射输入与卷积输出之间的差异来自适应地获取。实验结果表明,这种方式很大程度上减少了信息的冗余,进一步地提高了重建后图像的质量。最后,从特征增强的角度分析,超分辨率重建问题更加注重细节信息的恢复。因此在DRWSR的基础上提出了一种改进算法——融合混合域注意力的超分辨率算法(Mixed-Attention Residual Wavelet Super-resolution,MARWSR),将DRWSR中推理网络的残差块替换成注意残差块。注意残差块是由残差块和注意力两路组成,其中混合域注意力是利用典型的Bottom-up Top-down结构获取。实验结果表明,与DRWSR和SARWSR相比,该算法在主观视觉上和客观指标上均有提升,取得良好的效果。