图像超分辨率重建算法从低分辨率图像重建高分辨率图像,可以在不升级成像系统的前提下获取更高质量信号。注意力机制模拟人眼视觉系统对观察物体的关注,超分辨率网络结合注意力的信息筛选机制可以提高模型重建效果。本文在超分辨率重建领域研究注意力机制结合轻量级递归网络和深度卷积网络,分别完成了以下工作:1、提出了多尺度池化通道注意力机制,并且基于非全局共享参数来构造轻量级递归网络。首先,对通道注意力机制,用多尺度池化代替其全局池化,从而提供结构空间特征学习结果;通道特征及多尺度池化空间特征共同决定通道特征权重,最终实现重要特征和冗余特征的显著区分;其次为了在不同层筛选特征,多尺度池化通道注意力模块参数不共享。同时,对参数共享的递归模块,采用残差稠密结构,其中残差连接加快了递归网络收敛,稠密连接则复用各层特征图;此外加入的一个瓶颈层,作用是保持稠密连接的轻量高效。实验表明,在标准数据集的客观指标PSNR/SSIM上,与7种轻量级模型相比,多尺度池化注意力的轻量递归网络在参数量相当的情况下有更好的重建效果。2、提出了局部分层特征融合和全局重要性均衡的特征注意力分配方法。局部分层特征融合,是通过注意力模块融合相邻多个层级特征,使注意力权重调整不仅发生在本层,而且通过局部分层的特征图传递权重,来获得相关层的显著重建信息。而全局重要性均衡,则重点关注局部分层显著性和全局结构显著性不一致的特征,筛选出图像缺失的低频和高频信息,分别调整注意力权重。这一局部-全局注意力分配方法,在通道上调整特征图权重,在空间上关注重要信息区域,结合分层特征融合,在通道、空间和层级3个维度实现注意力的域间调整。实验表明,在标准数据集的客观指标PSNR/SSIM上,与其它注意力网络及先进网络相比有更好的重建效果。