图像超分辨率技术的目的是从低分辨率图像中重建出对应的高分辨率图像,使其具有更多的纹理细节信息。近年来,深度学习技术被引入图像超分辨率领域。通过不断改进卷积神经网络结构,优化损失函数,图像的恢复效果得到了很好的提升。然而,卷积神经网络方法仍然存在着诸多问题,包括:单一尺寸的卷积核无法挖掘图像的多尺度信息、层次特征未得到有效的融合、无法有效地利用图像先验信息等问题。为此,本文针对以上问题开展研究,并据此设计有效的图像超分辨率模型。本文的主要工作如下:(1)卷积神经网络模型通常采用单一尺寸的卷积核提取图像特征,但是单一尺寸的卷积核无法有效挖掘图像的多尺度信息,使得图像纹理的恢复效果较差,影响模型整体性能。为此,本文提出了一种多尺度特征融合网络。该网络在每层并行采用多种尺寸的卷积核,这样既能有效地扩大网络的感受野,提高对于不同纹理细节的感知能力,又能有效地解决网络过深带来的训练和收敛困难的问题。我们在4个公开的测试数据集上进行了实验,实验结果表明,该模型可以有效提高图像恢复质量。(2)目前图像超分辨率模型研究很少关注先验信息对于图像恢复的作用,模型对于图像的不同纹理感知能力不足。为此,本文提出了基于先验信息的多特征融合网络。该网络利用卷积方法有效融合图像的分割图信息,增强模型的纹理感知能力,利用注意力机制有效融合图像的多尺度、多层次信息,增强模型的特征提取能力,最终提高了模型的整体性能。实验结果表明,该模型有效地提高了PSNR/SSIM值,改善了图像恢复质量。