科技的发展使人们对图像分辨率有了更高的要求,高分辨率图像比低分辨率图像包含更多的信息并具有更好的视觉感受。因此,通过超分辨率重建技术改善图像分辨率是计算机视觉领域一项重要的研究课题。近年来,深度学习技术的发展使得图像超分辨率重建方法的性能相较于传统方法有了极大提高,然而目前很多基于深度学习的超分辨率重建网络都以前馈的方式学习图像特征,忽略了反馈机制。反馈机制可以使网络学习到高分辨率和低分辨率图像之间更复杂的映射关系,因此,本文基于深度神经网络中的反馈机制对图像超分辨率重建展开了研究,主要包括以下内容:1)针对现有图像超分辨率重建方法恢复图像高频细节能力较弱、特征利用率不足的问题,提出了一种多尺度特征融合反投影网络用于图像超分辨率重建。该网络首先在浅层特征提取层使用多尺度的卷积核提取不同维度的特征信息,增强跨通道信息融合能力;然后构建多尺度反投影模块通过递归学习执行特征映射,增强低分辨率图像与高分辨率图像之间的相互依赖性,提升网络的早期重建能力;最后将局部残差反馈结合全局残差学习促进特征的传播和利用,从而融合不同深度的特征信息进行图像重建。对图像进行×2到×8超分辨率重建的实验结果表明,本方法重建图像的质量在主观感受和客观评价指标上均优于现有图像超分辨率重建方法,尤其处理高倍放大（×8）时重建性能相对更优秀。2)针对目前很多深度模型缺乏反馈机制并平等地处理特征通道,阻碍了超分辨率网络的表达能力这一问题,提出了一种基于注意力机制反馈网络的图像超分辨率方法,借助循环神经网络中的隐藏状态使网络具有反馈机制。首先设计多尺度可分离卷积层提高参数的利用效率并提取更多维度的图像特征;然后设计反馈模块处理子网络间的反馈连接,并通过密集连接的上下投影单元生成更丰富的高层表示,为从输入图像中重建高分辨率图像提供更多的上下文信息;同时在反馈模块中引入注意力机制为图像特征自适应分配通道注意力资源,增强通道间的相互依赖性,促进网络挖掘更丰富的高频信息;最后通过迭代网络逐步生成最终的图像,使网络具有较强的早期重建能力。实验结果表明,相比目前很多先进的重建方法,本方法生成的超分辨率图像不仅具有更高的客观评价指标,还具有更好的视觉效果,并在8倍放大中依然保持优秀的重建性能。