得益于深度学习和卷积神经网络的发展,近年来图像超分辨率重建算法发展迅速。相比较于传统插值法和重构法,深度学习能够更有效地学习低分辨率图像与高分辨率图像之间庞大而且复杂的映射关系。但现阶段基于卷积神经网络的图像超分辨率重建网络不仅模型复杂度高,图像特征利用率低,而且对于设备性能的要求也很高。尤其是应用在复杂拍摄环境中的图像超分辨率重建算法,由于拍摄环境和设备的限制,加之环境噪声复杂,算法能够提取到的有利特征较少,最终重建得到的图像质量也较差。针对以上问题,本文从现有网络模型结构入手,对应用在高空复杂环境下的图像超分辨率重建算法进行优化,以达到改善重建图像质量,降低模型参数量的目的。主要工作如下:（1）提出分层特征融合网络结构。首先引入对称的分层结构,以增强不同尺度下图像特征的融合;其次使用更为密集的残差连接结构,减少局部残差损失;最后在每个残差块中加入轻量级注意力机制,增强网络对图像高频信息的敏感度。（2）引入分级蒸馏残差结构对网络做进一步优化。分级蒸馏残差结构结合局部长路径和局部短路径残差信息,有效地降低了传统密集连接块的计算量,并提高了链式卷积特征提取的效率,增强网络的表征能力。此外,蒸馏残差策略也明显地提高了分层融合网络重建图像的速度。（3）在公开的航拍图像中选取具有代表性的航拍图像作为模型训练的数据集。针对不同的航拍环境,合理地选择对应的图像数据,切割之后使用双三次下采样处理得到图像对,并采用合适的数据增广手段对数据集进行扩充处理。为了验证算法的有效性,本文针对复杂的航拍环境对算法进行特定的训练和微调,以最大化网络的性能。最终实验结果表明,所提算法相比于EDSR等算法在14个不同航拍图像环境中,尤其是复杂场景下的重建,平均峰值信噪比（PSNR）和结构相似度（SSIM）都有不错的提升。同时算法模型的复杂度得到了一定的改善,提高了算法重建图像的速度,拓展了其在实际生产生活中的应用。