双目图像超分辨率重建算法通常使用具有两个不同视角的双目图像来为图像超分辨率重建提供更多的有用信息,以便能够重建出高质量的超分辨率图像。但是,如何准确有效地捕获双目图像中长距离的相互依赖关系是双目图像超分辨率算法研究的重点。故本文分别提出了基于空间和通道注意力机制的双目图像超分辨率网络（Parallax-based Spatial and Channel Attention Stereo Super-resolution Network,PSCASSRnet）和基于二阶混合域注意力机制的双目图像超分辨率网络（Parallax-based Second-order Mixed Attention Stereo Super-resolution Network,PSMASSRnet）,并利用这两个基于深度学习的重建网络来捕获双目图像中长距离的相互依赖关系,同时以此来重建超分辨率图像。PSCASSRnet可以充分利用双目图像中存在的视差信息来重建出高质量的超分辨图像。具体而言,本文提出了一种基于视差的空间和通道注意力模型（Parallax-based Spatial and Channel Attention Module,PSCAM）,该模型能够同时考虑图像的空间特征和通道特征,并利用极线约束提取双目图像中最为相似的特征,本文还使用密集连接将多个空洞空间卷积池化金字塔（Atrous Spatial Pyramid Pooling,ASPP）连接起来提出了一种密集ASPP模型,该模型可以利用特征重用来提取更多具有差异性的多尺度特征。PSCAM没有探索中间层固有的特征相关性,密集连接的ASPP不能利用ASPP内不同卷积层之间的局部信息流,这些均会阻碍网络的表示能力。因此,本文进一步提出了一个双目图像超分辨率重建网络PSMASSRnet。具体而言,本文在注意力机制中使用二阶特征统计量来代替一阶特征统计量,提出了一种基于视差的二阶混合域注意力模型（Parallax-based Second-order Mixed Attention Module,PSMAM）,该模型能够利用二阶特征统计量来更好地学习双目图像的特征相关性。本文还提出了一种密集交叉ASPP模型,该模型可以充分利用之前层的局部和全局信息来提取多尺度的特征。除此之外,本文还在损失函数中加入了回归损失,该损失不仅可以通过约束低分辨率图像到高分辨率图像映射函数的解空间来使网络更容易找到最好的解决方案,而且还可以解决现实数据中缺少高分辨率真实图像的问题。本文所提出的两个网络PSCASSRnet和PSMASSRnet均在三个基准数据集（KITTI2012、KITTI 2015和Middlebury）上与目前先进的图像超分辨率算法进行了对比实验,并且从定性结果与定量结果等方面验证了它们出色的重建性能。