图像超分辨技术作为突破传感器硬件限制得到高分辨图像的一种有效手段,是图像处理和计算机视觉等多个领域的热点研究课题。目前主流的基于深度学习的图像超分辨算法多是利用单目图像或双目图像,搭建卷积神经网络,再加入一定的先验知识实现图像超分辨。然而现有基于深度学习的超分辨算法的超分辨效果仍然面临挑战,尤其是在大比例缩放因子下,图像超分辨质量不尽如人意。为了进一步提升图像超分辨重建质量,本文在深入研究基于深度学习理论的人工卷积神经网络技术及现有双目视觉超分辨技术的基础上,围绕多目图像重建算法开展研究,提出了一种基于多视差注意力网络的多目立体图像超分辨算法。本文主要工作内容和贡献点如下:（1）设计了一种多视差注意力模块。本文网络模型利用该模块同时融合具有不同视差的多幅图像的相似特征,使不同图像间的相似信息得到充分互补。在提高特征密度的同时,也提高了误差容错,使得模型在大比例缩放因子下取得了不错的图像超分辨重建效果。另外,本文设计了一种稠密空洞金字塔模块,用于对原始图像进行多维度特征提取。该模块的每一幅特征图都与网络中后续的其余特征图在通道方向进行串联,再进行特征融合,使得特征提取网络加强了特征复用和特征传播,使该模块处理后的特征图具有多维度、多尺度的特征。（2）为优化多视差注意力模块的性能,设计了空间平滑损失函数。该损失函数关注点在于注意力视差索引图中对角线三维空间邻域元素的数值差距。仿真实验结果表明本文模型加入该损失函数后进一步提升了图像超分辨质量。最后,为验证本文提出的算法模型在实际应用中的可行性,分别在自然光图像数据集上与红外图像数据集上对本文模型进行实验验证,并对实验结果进行主观视觉对比以及客观指标评价。自然光图像数据集采用KITTI双目数据集,红外图像数据集自行搭建,采用四台低分辨率红外相机与一台高分辨率红外相机。四台低分辨率红外相机以“田”字形摆设对红外场景进行采样。实验结果表明,本文模型在大比例缩放因子下相较于现有算法模型能分辨出更多的细节信息,有更好的视觉效果,在PSNR、SSIM等客观指标上也有所提升。