在这个信息技术不断进步的时代,人们对于图像的分辨率要求越来越高。超分辨率重建作为一种通过软件算法来提高图像分辨率的技术,具有成本低、效果好等优点,在医学成像、卫星遥感和安防监控等众多领域都有重要的作用。随着深度学习的发展,卷积神经网络被引入到超分辨率重建领域,因其复杂数据学习和表示能力强,极大地提高了图像的重建质量。为此,本文提出了两种基于卷积神经网络的超分辨率重建算法,主要研究内容如下:（1）针对很多超分辨率重建方法中忽略了特征通道间相关信息以及网络数据传递中信息丢失问题,本文提出了一种通道注意力与残差级联超分辨率重建网络模型。该网络主要由多个残差级联组模块串联而成。在残差级联组中,模块的输入特征会与之后每一层的输出进行特征级联融合,改善不同网络层间的信息流动,保证特征信息在网络的传递过程中不被丢失并得到充分利用;同时还利用注意力机制自适应地对模块中融合的特征通道进行差别对待,提高了网络对图像细节纹理等高频信息的重建效果;另外,网络前部分提取的浅层特征通过融合节点传递到每个残差级联组后进行特征融合,充分利用了低分辨率图像中的特征信息。在不同基准数据集上的实验结果表明,该模型可以很好地提升图像的重建质量。（2）针对卷积神经网络中不同感受野提取的特征类别也不同的特点,本文还提出了一种多尺度注意力机制融合超分辨率重建网络模型。该网络使用两种不同大小的卷积核进行多尺度特征提取;同时利用改进的注意力机制对提取到的两种不同层次的特征进行通道校正,增强网络对高频信息的提取能力;通过对不同尺度特征信息的多次校正与融合,从而提高了网络的特征提取能力;网络采用全局残差学习,让低频信息快速传递,稳定训练过程。实验结果表明,该网络有不错的重建效果。