图像超分辨率（Image Super-Resolution,SR）是一种低层级视觉任务,指从已有的低分辨率（Low-Resolution,LR）图像中恢复出相应的高分辨率（High-Resolution,HR）图像。现实世界中,大量的图像被用于记录各种信息并保存。然而因为拍摄位置、环境光照、光学器件等各种因素的影响和限制,导致获取的图像或者图像中的局部可能是低分辨率的甚至模糊的,因此需要图像超分辨率技术来获得相应的接近真实图像的高分辨率图像。但是图像超分辨率是一个不适定问题,因为多张HR图像下采样后可能产生同一张LR图像。因此,将LR映射到HR的函数空间非常大,学习一个好的解是非常困难的。而且低分辨率图像往往缺失图像超分辨率最需要的高频信息和纹理特征,却包含大量的低频信息来阻碍超分辨率重建,导致图像超分辨率是一个极具挑战性的任务。近年来,深度学习方法在计算机视觉领域大放异彩,同时也给图像超分辨率提供了新的解决方案。本文针对以上图像超分辨率存在的难点,基于卷积神经网络和注意力机制等深度学习算法提出了两种新的图像超分辨率算法。本文的主要工作如下:本文提出了一种反馈注意力网络（Feedback Attention Networks,FBAN）用于图像超分辨率任务。在该模型中,使用反馈机制和稠密连接提高网络的特征提取能力。为了使网络专注于高频信息并提高网络的特征表达能力,使用了一种双注意力机制。并采用残差学习机制的跳跃连接减少网络映射的复杂度,加快了网络的学习速度和收敛速度。通过多种机制的结合使用,最终使FBAN能够在较小的训练集上训练较少的迭代次数就能达到较好的超分辨率结果。还与各种超分辨率算法进行实验对比,证明该网络轻量化、高效的特点。本文还提出了一个超分辨率效果更加优异的网络模型——残差稠密注意力网络（Residual Dense Attention Networks,RDAN）。为了保持和稠密网络一样的特征重用的能力,又要缓解稠密网络大量占用显存的问题,使用残差稠密模块作为网络的主要结构。同时采用一种轻量化通道注意力机制,在增加较少的参数计算量的情况下提高了整个网络的特征提取与表达能力。通过和具有代表性的超分辨率算法进行实验比较,RDAN可以在参数量较少的情况下超越大型网络的超分辨率效果,并且训练迭代次数更少。说明该网络模型在超分辨率任务中表现优异且高效。