随着多元化信息时代的飞速发展以及计算机硬件水平的显著提高,人们越来越注重接收到的图像质量,而高分辨率图像由于其高质量的画面受到青睐。图像超分辨率重建作为提高图像分辨率的一种重要手段受到广泛关注。深度学习技术广泛应用于计算机视觉领域,并在超分辨率重建任务中通过提取低分辨率图像的特征进行图像重建,从而得到一张对应的高分辨率图像。针对现有基于深度学习的图像超分辨率算法在重建任务上存在模型参数过多,计算更为复杂,不利于现实场景下的应用,本文提出了两种轻量级的超分辨率算法。（1）针对现有图像超分辨率重建算法大多通过扩展卷积神经网络深度和宽度来提取更多特征细节,这将导致算法计算复杂度的提高和模型参数量的增大,本文提出了一种自适应残差注意力的轻量级图像超分辨率重建算法。该算法整体采用全局和局部残差连接相结合的方法,通过改进坐标注意力网络,生成了关注高频位置信息的注意力特征图;接着将改进的自适应残差注意力信息提取模块和坐标注意力模块双支路并行连接,使输出的特征信息包含更多图像细节,在保证模型性能的情况下,大大减少了参数数量。实验证明,该算法在公共测试集上的重建图像质量更好,对比其他算法的客观评价指标更高,同时模型参数量更少。（2）针对现有图像超分辨率重建算法存在特征细节上处理不足的问题,本文提出了一种基于改进生成对抗网络的轻量级图像超分辨率重建算法。该算法整体采用生成对抗网络的思想,主要在生成网络部分进行改进。首先,在生成网络的深层特征提取模块中使用面向边缘的卷积模块,更好的提取图像的边缘信息;其次在上采样重建模块中,使用像素注意力机制和上采样相结合的方法更好的恢复图像细节;最后在推理阶段,使用重参数思想将面向边缘的卷积模块进一步整合为常规卷积,达到减少模型参数的目的。实验证明,该算法使用生成对抗网络重建的图像在特征细节方面表现更好,使用了重参数化技术,使模型参数量大大减少。