受硬件设施、天气环境等因素的影响,医疗卫生、遥感卫星、安防监控等多个领域的图片成像一般都较为模糊。因此,图像超分辨率重建成为计算机视觉领域的热点研究方向。图像超分辨率重建就是在不破坏原有图像细节信息的同时将低分辨率图像重建为高分辨率图像。目前,基于深度学习的方法在图像超分辨率重建研究领域中的重建效果最为优越,但是该方法仍然会出现梯度消失、收敛困难并且容易丢失图像的纹理细节等问题。针对上述问题,本文研究了卷积神经网络以及生成对抗网络等深度学习方法在图像重建领域中的应用,提出了基于残差密集注意力网络的图像超分辨率重建模型,结合生成对抗网络,进而提出了基于生成对抗网络的图像超分辨率重建算法。具体工作如下:（1）提出了以卷积神经网络为基础结构的残差密集注意力网络（RDAN,Residual Dense Attention Network）,在其结构中引入以残差学习和密集连接两种思想结合的残差密集单元,该单元不仅可以缓解由深层网络带来的梯度消失,还可以增强各层之间的信息流通;同时,为了加速模型收敛,剔除该单元中的批规范化层;此外,为了使得模型在训练的过程中能够充分利用到图像的高频信息,网络结构中又加入了注意力单元,可以更加高效地利用计算资源,提高模型有效性;最后,使亚像素卷积作为上采样方法,提高重建效果。（2）将RDAN与生成对抗网络相结合,提出一种新的基于生成对抗网络的图像重建算法（RDA-SRGAN,Residual Dense Attention Super-Resolution Generative Adversarial Network）。该算法的生成器即为残差密集注意力网络,判别器使用WGAN网络的思想对SRGAN判别器进行优化,利用Wasserstein距离代替SRGAN的JS散度,加速模型收敛。此外,通过分析常见的重建算法中两种逐像素损失函数MSE和MAE的优缺点,结合能够使图像重建结果更加符合人类主观感受的感知损失函数,设计了新的损失函数来指导网络训练。（3）实验结果表明,在Set5、Set14、Urban100和BSD100四个公开的测试数据集上,本文所提出的算法模型与其它几种常见的重建模型相比,其实验结果在峰值信噪比（PSNR）和结构相似性（SSIM）两个客观指标上有所提高。