高分辨率图像细节丰富,结构清晰,极大满足人类的视觉需求,但受制于现有的成像设备,用户很难简单地获取到较为高清的图像。超分辨率重建则是一种通过算法把低分辨率图像重建成对应高分辨率图像的技术,根据输入图像的数量不同,可分为单帧图像超分辨率重建和视频图像超分辨率重建。近年来,随着卷积神经网络和大数据技术的发展,基于深度学习的超分辨率算法因其在重建性能上远超过传统算法而获得广泛关注。受此启发,本文利用深度学习并结合信息反馈理论,首先对单帧图像的超分辨率算法进行探索性的学习,之后拓展到视频图像的超分辨率算法研究。主要的工作如下。基于深度学习的单帧图像超分算法目前大多趋向于加深网络深度,虽然对提升性能有一定的帮助,但带来过重的计算负担,同时过长的信息流在传播中易使低层信息丢失,限制特征表征能力。为此,提出了一种基于多尺度残差反馈网络的单帧图像超分算法。首先,通过密集连接的多尺度残差模块学习高低分辨率图像空间的非线性映射,具体而言,该模块采用多分支结构提取出不同尺度的上下文信息,并依靠卷积核选择机制动态调节输出特征的感受野。然后,通过循环结构反馈学到的高层特征以改善初始提取出的低层特征,不增加参数量且得到表征能力更强的特征。最后,对特征上采样得到高分辨率图像。实验表明,在五个标准测试集上所提算法PSNR和SSIM指标超越现有多数图像超分算法的同时保持了更少的参数量。视频超分不仅可以考虑当前帧图像的空间信息,更重要的是准确有效地利用多帧相邻图像的时间信息。为此,在利用上一个工作行之有效的多尺度特征提取和反馈机制的基础上,提出了一种基于多阶段特征融合网络的视频超分算法。首先,通过可变形卷积的对齐方式,在超分网络之前对当前帧与相邻帧在特征域上进行自适应运动补偿,从而实现帧间的特征配准。然后,将对齐好的相邻帧特征作为条件信息,在超分网络的多个阶段以调制的形式融合进当前帧信息;同时,利用反馈连接增强该富含时空信息的特征。最后,对特征直接上采样得到当前帧的高分辨率图像。实验表明,所提算法在三个视频测试集上重建效果良好,在SPMC-11和Vimeo-90K-T测试集上与现有最先进方法相比PSNR值提高了0.08dB和0.26dB。