随着信息化时代高速发展,人们对图像质量的要求日益增加。图像超分辨率（Super-Resolution,SR）重建旨在通过计算机软件方式从低分辨率图像中恢复自然、清晰的纹理,重建出画质优良的高分辨率图像。近年来,得益于深度学习技术的应用,图像SR重建取得显著进展,在消费与医疗、公共安全与军事等相关专业领域都有着广泛的应用。针对目前图像SR重建算法训练速度缓慢、网络模型不稳定以及对高频信息处理模糊等问题,本文在单幅图像SR重建任务上开展大量的研究工作,提出具有探索性的图像SR重建方法,主要研究内容概况如下:（1）通过深入探索钻研现有图像SR技术的相关研究,并分析概况以往研究成果存在的众多优势及弊端,本文在系统阐述图像SR重建相关理论基础后,针对现有算法存在的不足,提出新颖的图像SR重建方法。（2）针对传统图像SR重建算法存在模型训练不稳定、参数量大、计算复杂等缺陷,本文提出基于多尺度生成对抗网络（Generative Adversarial Network,GAN）的图像SR重建算法M＿SRGAN。针对现有算法生成图像含有伪影等问题,设计多尺度残差密集连接块作为M＿SRGAN的基础组建模块,改善重建图像质量;针对传统重建算法容易受到噪声影响,导致重建结果存在振铃效应等问题,在M＿SRGAN中引入全新的长短跳跃连接的残差学习方式提升训练效果,最大化信息交流;M＿SRGAN的生成网络去除BN层,保留图像客观存在的对比度信息,改善图像视觉效果的同时节省计算资源。（3）传统算法的损失函数在训练过程中对图像的细节起到了模糊作用,本文在SRGAN的基础上,构建了一种新颖的具有纹理差异约束项的损失函数,引导生成器聚焦于图像纹理细节,重建出具有逼真纹理的图像。（4）另外,针对现有基于深度学习的方法都是在全局范围内探索图像全局特征,忽略了图像特征之间的相关性以及图像高频特征信息,导致重建图像过于平滑等问题,提出了一种基于注意力机制的改进式GAN图像SR重建算法,实现特征的加权强化,自适应地重新校准通道方面的特征响应,筛选出更利于重建的特征,提升模型训练速率。通过对比分析几种经典测试数据集上的测试实验,结果证明本文提出的方法提高了图像SR重建算法的稳定性、时效性和准确性,综合性能相对突出,具有较好的研究意义和实用价值。