智能手机相机、便携式数码相机等低成本移动成像设备时常采集低分辨率图像,但现实应用通常需要高分辨率图像。为了突破成像设备固有的分辨率限制,作为一个典型的病态逆问题,图像超分辨率能够从低分辨率图像中恢复出高分辨率图像,从而有利于后续图像分析与理解。该技术已广泛应用于图像处理、计算机视觉等领域,具有重要的研究意义和应用前景。近年,以深度学习为代表的人工智能技术发展如火如荼并且在图像超分辨率方面取得突破性进展。然而,现有基于深度学习的图像超分辨率方法,由于其存在较大的计算量和模型尺寸以及性能不够理想等缺点,难以满足移动成像设备的应用需求。为解决这个问题,本文以卷积神经网络为研究基点,以快速轻量级高性能的图像超分辨率模型为研究目标,先后提出双域卷积神经网络和层次化残差神经网络,还将其用于图像超分辨率重建实验。通过定性定量分析和评估,实验结果表明本文方法取得较好的效果,通常超过现有最先进的图像超分辨率方法。本文的工作主要体现在以下三个方面:（1）先简要介绍了图像超分辨率重建的基础知识和几种具有代表性的图像超分辨率方法,再结合现实应用需求为导向,本文围绕快速轻量级高性能的图像超分辨率网络模型开展研究。（2）提出一种应用双域学习策略的双域卷积神经网络,用于图像超分辨率重建,通过设计高效的双域蝶形模块和双域卷积神经网络架构,实现空间域和频率域之间的数据流交互和补偿,从而实现双域特征互补和卷积神经网络的性能增强。实验结果表明,双域蝶形模块是一种高效的网络模块,与传统空间域卷积神经网络相比,双域卷积神经网络的性能具有更好的图像超分辨率效果。（3）为了进一步提升图像分辨率,结合上述双域学习策略,通过引入宽激活函数和残差学习等技术,本文提出一种层次化残差神经网络,将其用于图像超分辨率重建,从而实现在不同层次进行残差学习进而提升网络的建模能力。实验结果表明,本文方法能够充分利用空间域和频率域之间的互补信息,在减少网络层数和网络模型参数量的前提下获得更好的超分辨率重建效果。