超分辨率算法的目标是将低分辨率的图片重建出高分辨率图片。现实生活中的设备在精度上的不足,导致产生的图片往往无法满足人们对分辨率的需求,例如医学成像设备、遥感卫星、监控设备等。为了解决这个问题,一个解决方法是提升设备的精度。然而这种方法不仅成本较高,而且技术工艺复杂,不利于推广使用。因此有必要利用算法生成高分辨率图片。超分辨率算法需要解决以下几个问题。首先是如何解决图片种类繁多、物体尺寸各异的问题;然后是如何区分纹理区域和平滑区域,定位高频细节位置,解决图像细节缺失、图片模糊不清、修复细小纹理的问题;最后是如何解决双目图像中不同大小的视差、信息存在冗余与互补的问题。针对以上的问题,论文的主要研究工作和创新点如下:（1）针对解决图片种类繁多、物体尺寸各异的问题,提出了一种基于多分支层次结构的单目超分辨率算法。该方法通过多分支结构,在每一个分支上插入不同空洞率的空洞卷积,使得模块能够获得物体的多尺度特征表示。这种方法增强模型的泛化能力,能够满足多种场景多种尺寸的图片要求。此外,模型还通过残差学习机制,将低频信息直接传递到重建模块,使得网络专注于学习物体的高频信息,获得更好的性能提升。在多个数据集上的实验表明,该算法能够学习到多样的、多尺度的图片超分辨率映射关系,从而生成高质量的高分辨率的图片。（2）针对图像细节缺失、图片模糊不清、细小纹理修复的问题,提出了一种基于注意力机制的单目超分辨率算法。该算法通过压缩各个通道的信息,学习各个通道之间的联系。这种通道注意力机制增加了通道之间的差异性,不同通道带有不同的特征信息。此外,还采用了空间注意力机制,该方法可以区分纹理区域和平滑区域,定位高频细节位置,有助于细节纹理修复。实验结果表明该算法实现了更加清晰的图像修复任务。（3）针对双目图像中不同大小的视差、信息存在冗余与互补的问题,提出了基于视差与注意力机制的双目超分辨率算法。该算法首先从双目图像中学习出视差信息,然后利用视差信息将右图变形成新的左视角的表示。这种新的左视角表示带有左图所缺失的信息。同理,左图也可以利用视差信息变形成右视角表示。实验结果表明该方法能够有效的利用双目图像的互补信息。经过实验验证,本文所提出的基于残差学习与注意力机制的单双目超分辨率算法达到了领先的技术水平,生成的高分辨率图像细节更加丰富准确,能够广泛的应用在各种计算机图像任务中。