超分辨率重建作为图像处理领域中的一项关键技术在众多领域具有重要应用价值。但目前基于深度学习的超分辨率重建算法存在函数映射空间过大、未能充分学习有效信息,并且在特征提取时忽略位置信息,对于不同查询位置所获得的信息几乎相同等突出问题,为此开展基于深度学习的单幅图像超分辨率重建方法研究。主要研究内容如下:（1）针对函数映射空间过大、模型未能充分利用原始低分辨率（Low Resolution,LR）图像中更具辨识性的高级特征信息的问题,提出了一种高效二阶注意力对偶回归网络,该网络通过对偶回归任务缩小LR图像和高分辨率（High Resolution,HR）图像间的函数映射空间。此外,还采用高效二阶通道注意力机制来有效提取特征间的相关性,通过二阶特征统计调整特征信息,使网络提取到更具区别性的特征信息。采用多级跳跃连接残差注意力模块和共享源跳跃连接结构的叠加,绕过LR图像中的低频信息来完成细节重建。通过多组对比实验证明该算法的有效性,该网络在Set5、Set14、BSD100和Urban100数据集中比例因子为4时的峰值信噪比（Peak Signal to Noise Ratio,PSNR）分别为32.25d B、28.45d B、27.58d B和25.89d B。（2）针对目前应用在超分辨率领域的注意力机制通常忽略位置信息这一问题,提出一种基于多分支联合注意力机制的递归超分辨率重建网络。该网络在深层特征提取部分采用由传统的局部分支、全局上下文注意力分支、坐标注意力分支和十字交叉形注意力分支并联而成的多分支注意力模块和多分支投影特征融合模块构成,并对特征进行更具区别性地挖掘。该网络通过四种不同的分支结构选择性地获取特征信息。然后采用多分支投影特征融合模块对特征图进行逐步特征融合。实验结果表明该算法在网络参数数量和重建性能之间取得平衡,也能恢复出图像中的轮廓信息。该网络在Set5、Set14、BSD100和Urban100数据集中比例因子为4时的PSNR分别比为32.30d B、28.70d B、27.63d B和26.25d B,参数量约为第三章算法的61%。（3）将提出的两种算法应用于多种场景下的图像和真实视频的重建以测试其模型的泛化性。同时,为了验证算法针对不同退化方式的适应性,还把通过不同退化核处理后的数据集用于模型测试。实验结果表明,两种网络能较好的应用于多种不同场景,并且对不同退化方式得到的图像具有较强的适应性。