图像是人类视觉的基础,也是信息主要的载体之一。在如今的数字信息时代,受限于物理设备和自然环境,很多时候采集的图像分辨率仍然较低,基于深度学习的单幅图像超分辨率（Single Image Super-Resolution,SISR）技术旨在将一幅低分辨率图像（Low-Resolution,LR）重建成一幅高分辨率图像（High-Resolution,HR）,这不但给人们带来更好的视觉体验,同时也能恢复出很多有用的信息。本文以设计更加轻量化和泛化能力更强的超分算法为目标,围绕当前超分算法中存在的计算量大部署较难、重建效果失真以及网络结构很难根据不同的输入图像信息及尺度信息提取差异化的特征信息等问题展开研究,主要完成工作如下:（1）针对当前超分辨率算法难以根据不同的输入图像信息及尺度信息提取差异化的特征信息导致的泛化能力较差的问题,本文首先研究分析了不同超分算法的特征提取结构以及启发于动态卷积和注意力机制相关思想,提出了轻量化的自适应特征融合模块AFB。该模块利用带尺度信息的动态卷积实现了特征信息的差异化提取,结合多特征融合的通道空间注意力机制保留了更多重要的特征信息,通过基于像素的门控机制使得模块的自适应性进一步增强。实验表明,结合AFB模块的超分算法能够使网络具有更强的泛化能力和表达能力。（2）针对超分算法仍然存在参数量和计算量较大的问题,本文基于AFB模块提出了任意尺度的全动态轻量化超分算法DDNet。该算法结合残差思想和轻量化的AFB模块提取网络的特征信息,使得模型获得了更好的重建效果同时参数量大大降低,结合Arb SR模型的上采样模块和像素注意力融合机制实现了任意尺度的超分重建。实验结果表明,本文提出的DDNet算法更好的实现了超分算法重建精度和轻量化的平衡,在一些倍数的超分上甚至取得了当前最好的测试结果。（3）针对当前超分算法存在重建效果失真以及部署难等问题,本文首先研究分析了当前基于生成对抗网络（Generative Adversarial Network,GAN）的超分算法,结合ESRGAN模型中相对GAN的思想提出了基于GAN的任意尺度的超分算法,简称DDNet GAN。考虑到超分算法在实际工程中的使用,本文也提出了超分算法在不同场景的部署方案。实验结果表明,本文提出的DDNet GAN算法能够获得更好的纹理重建效果,超分算法部署方案进一步促进了基于深度学习的超分算法在实际工程中的运用。