图像超分辨率是计算机底层视觉和图像处理领域的一项基础任务。因为低分辨率图像和高分辨率图像构成一个一对多的映射,所以图像超分辨率任务本质上是一个不适定问题。近年来,借助深度卷积神经网络的强大表示能力,基于深度学习的图像超分辨率方法取得了巨大的突破,这些深度学习的方法主要通过不断加深或加宽网络以获得更好的性能,其参数量不可避免地成倍增加。然而,在实际应用中,设备的内存和算力是有限的,难以支持大型网络的部署。因此,近年来一些轻量网络被广泛提出。其中,一些基于核估计的轻量级超分辨率方法根据输入图像自适应地进行逐像素核估计,在模型复杂度和重建表现上达到了很好的平衡。然而,绝大多数方法在核估计过程中仅考虑了图像的局部信息,缺乏对全局信息的挖掘,这给它们进一步提高性能带来了限制。为了解决这个问题,本文提出了一种基于非局部自相似性的像素自适应超分辨率方法,通过巧妙地利用图像的全局自相似性,在核估计过程中考虑图像局部信息同时充分利用图像的全局信息,本方法可以保证在一张图像上结构相似的区域给出一致的核估计,并倾向于提供更稳定和精确的核估计。具体地,为了捕捉到更多的上下文信息,本文引入了一种图像块的非局部模块,能够计算全局范围内图像块之间的相似度（而不是局部像素之间的相似度）。通过估计在一组预定义的核字典上的线性表示系数,即可线性回归出所需的核。本文发现,在基线方法LAPAR使用的核字典中,并不是所有的原子都是有效的。我们在大量测试图像上估计了核字典的权重,发现存在若干个特定的核,它们在不同图像和不同区域上都保持完全未被激活的状态。基于这一观察,本文设计了一个容量更小的核字典,由28个中心化的、带有显著边界结构的高斯核组成。给定这个精心设计的核字典,本文的核估计网络可以给出对于粗超分辨率重建图像（如Bicubic上采样图像）的像素自适应的表示系数,进而得到像素自适应的核,将其与粗超分辨率重建图像做卷积操作,就得到了超分辨率结果。大量实验证明本方法在同等规模的图像超分辨率网络中表现优异,尤其是在含有大量重复结构的图像上,这主要归功于在合理设计的核回归网络里应用了非局部自相似性的约束。