随着科技水平的发展,人类探索未知的视角也越来越宽广,遥感图像正成为图像任务应用的新兴方向,高分辨率的遥感图像的需求正急剧增加。由于硬件水平的限制以及经济成本的影响,以及计算机视觉技术的飞速发展,超分辨率重建正成为一项新兴的研究领域,而基于遥感图像的超分辨率重建技术在人类的生活中也将发挥巨大作用。目前,超分辨率重建技术已经有了一定的发展,但是基于特定场景下的超分辨率重建技术还有待发展,特别是在遥感图像场景下的超分辨率重建工作更是缺乏。因此本文将主要聚焦于将超分辨率重建方法迁移到遥感图像上,通过网络设计使得超分辨率重建技术能较好的使用在遥感图像上,工作的主要内容和创新如下:根据论文需求,构建了遥感图像超分辨率重建数据集,包括一个卫星图像数据集和一个航拍数据集。基于遥感图像具有物体尺度相差巨大的特点,以及低分辨率与高分辨率图像在低频部分重合度高,本文提出了一种多尺度残差卷积神经网络特别用于解决遥感图像领域的超分辨率重建问题。本课题基于RED网络,用编码器-解码器结构以及卷积层和反卷积层中间的串并联的空洞卷积构成的多尺度模块用于提取多尺度特征。此外,本文还引入了通道维度的注意力机制用于增强有用特征并抑制无用信息,为长连接这一操作增强了特征表达能力。在整体网络结构上,本文将只学习高频残差部分,分别对低分辨率图像和高频残差特征进行亚像素卷积操作,并将它们作为输出相加,这样在应用残差的想法之后,由于残差图像相对稀疏,因此许多值很小甚至为零,从而加快了训练速度,从而达到了精简网络、提高效率的目的,提高了准确性。本文通过自建的两个数据集上的实验,应用了 PSNR和SSIM评价指标证明了增加的模块的有效性,并且减少了参数量,在一定程度上满足了遥感图像场景上的超分辨率重建需求。