随着信息时代的发展,数字设备越来越普及,数字图像在信息传播中的作用越来越重要,人们对于提高数字图像的分辨率需求越来越迫切。图像超分辨率重建主要是对一幅或者多幅低分辨率图像,结合先验知识,恢复出相应的同一场景的高分辨率图像。深度学习算法可以自动地直接从数据中学习输入和输出之间的映射关系,这就克服了传统算法需要人工设计特征的难题。大量实验证明基于深度学习的图像超分辨率重建算法取得了比传统算法更好的效果,因此基于深度学习的超分辨率重建成为研究热点。在卷积神经网络被引入到超分辨率重建领域后,出现了大量的改进算法,基于残差学习的算法和基于注意力机制的算法在提高模型性能,加快网络收敛方面表现优异,因此本文针对以上两种机制展开研究。首先探讨了经典的使用卷积神经网络进行超分辨率重建的算法,并针对其不足展开分析,并引入了残差学习机制。围绕残差学习,从深度残差网络到Inception结构,分析两者的优势和缺陷,提出了改进的密集残差结构,对Inception网络不同分支采用相同拓扑结构,并在分支内部采用密集连接的方式,提高网络的拟合能力和扩展性。在上采样阶段,使用亚像素卷积层,改善棋盘效应的影响,提升了重建图像质量。此后针对注意力机制,介绍了三种经典的注意力模型。为了克服注意力图计算量大的问题,本文引入了期望最大化机制,并在此基础上,提出了更适合超分辨率重建任务的局部期望最大化机制,通过边缘检测将图像分为不同区域,在不同区域迭代出一组紧凑的特征基,然后在这组特征基上计算注意力图,大大降低计算复杂度。将改进的密集残差结构和局部期望最大化注意力机制相结合,提出了基于局部期望最大化注意力模型。提出一种改进的感知损失函数,并结合可以反映图像结构的MS-SSIM损失函数,旨在更好地恢复图像高频细节。实验结果表明该模型可以恢复更真实自然的纹理细节,重建图像主观质量得到明显提升。