图像超分辨率重建能够提高图像的分辨率,恢复图像的高频信息。高分辨率图像拥有更多的信息量,对边缘细节信息描述的更具体。如今,随着计算机设备性能和人工智能技术的提高,把深度学习的卷积神经网络应用于超分辨率重建算法中成为研究热点。基于深度学习的超分辨率重建算法是通过软件的方式来改善图像的质量,具有成本低,灵活性强的特点。本文基于卷积神经网络的“深度”对超分辨率网络进行改进,主要体现在以下几个方面:（1）提出一种高效注意力超分辨率卷积神经网络（Efficient Attention Super-Resolution Convolutional Neural Network,EASRCNN）,该网络是对浅层网络FSRCNN（Fast SuperResolution Convolutional Neural Networks）的改进。在EASRCNN网络中,首先引入通道注意力模块,使网络模型的关注点聚焦于“什么样的特征是有意义的”;接着引入空间注意力模块,使网络模型的注意力转移到“哪里的特征是有意义的”;然后利用残差跳跃连接结合前后网络的局部特征信息;最后利用反卷积重建图像。实验结果表明,EASRCNN与FSRCNN相比,重建超分辨率图像的评价指标PSNR（Peak Signal to Noise Ratio）最高增加0.37d B,SSIM（Structural Similarity）最高可达0.9709。（2）提出金字塔多尺度残差网络（Pyramid Multi-scale Residual Network,PMSRN）,该网络是对极深网络MSRN（Multi-scale Residual Network）的改进。首先,用分层残差内连接Res2Net残差块和空洞卷积构成MSDRB（Multi-scale Dilation residual block）,该模块可增强对上下文特征的检测能力;然后,通过特征融合结构HFFS（Hierarchical Feature Fusion Structure）对分层局部特征进行融合;最后,在重建结构中增加全局与局部特征的互补模块CB（Complementary Block）,改善原始特征信息被忽略的问题。实验表明,PMSRN与MSRN相比,重建超分辨率图像的评价指标PSNR最高增加0.43d B,SSIM最高可达0.9776。