基于深度学习的单图像超分辨率重建（Single Image Super Resolution,SISR）方法性能改善明显,这得益于有针对性设计的网络结构和充分的数据学习过程。SISR网络通常共享上采样卷积核,导致图像内容的位置特异性丢失,内容自适应的信息估计是一个可行,但有挑战性的方向。此外,引入参考图像信息将添加额外的估计线索,也能有效地提高生成图像的质量。本文研究具有内容特异性的卷积核学习方法和基于类相关注意力的纹理信息迁移方法。本文主要工作如下:1、提出一种内容自适应的元学习方法（RPB-Meta SR）,它可根据正则化内容模式构建精确的纹理重建卷积核。首先正则化内容模式（Regularized Pattern,RP）定义为低分辨率图像经均值偏移跟踪和特征自组织,在每个位置提取的一个结构风险更小的内容特征向量。其次,采用任务级元学习方法,为每个位置预测一个与其RP匹配的卷积核,以实现空间特异的纹理重建。实验表明,RPB-Meta SR的PSNR和SSIM指标优于目前任意尺度SR重建的标杆方法Meta-SR和LIIF;在与高分辨率原图的主观对比中,其纹理一致性也更好。2、提出一种基于类相关注意力机制的Transformer纹理迁移方法（RCA-TTSR）,它依据类相关注意力的权值估算,挖掘参考图像的可转移信息。首先基于查询-键-值的机制,通过计算将查询和键的相似度转化为类相关注意力,保证最相关纹理特征主导下次相关纹理特征的关注度。其次,类相关注意力图将值进行加权融合,得到融合特征以进行纹理迁移。RCA-TTSR方法的性能优于基于参考图像的SR标杆方法SRNTT和TTSR,而且RCA-TTSR在参考图像相似度下降后仍能恢复高质量的SR图像,具有健壮性。3、提出一种基于残差特征—稠密连接的SR网络RFDIDN,加强不同层和不同块残差特征的描述能力。首先插入一个残差特征—稠密块,在嵌套稠密块的残差分支上参与稠密连接,复用卷积层输出和稠密块输出残差特征。其次,使用多个精确修复模块提高生成的SR图像质量。实验表明RFDIDN方法的PSNR和SSIM指标均优于基线方法DID,而且RFDIDN方法生成的SR图像有着更好的视觉效果。