数字图像是当今社会一种重要的信息载体。图像分辨率反映了图像包含的信息量,图像的分辨率越高,其包含的细节越丰富。然而,由于受外界环境与成像设备自身的干扰,原始图像在成像过程中容易丢失部分重要的细节,无法达到实际应用的标准。超分辨率重建技术可以在不改变硬件设备的前提下,通过软件方法来提高图像的分辨率和清晰度,在理论上和工程上都具有重要的研究意义。本文围绕深度学习来研究超分辨率重建算法,主要内容如下:（1）提出一种基于深度特征的龙格-库塔残差超分辨率方法。针对原始二阶龙格-库塔残差超分辨率网络存在深层特征提取不足的问题,本文设计了一种新的龙格-库塔残差超分辨率网络。首先,提出一种浅层共享编码器,以实现浅层特征提取。其次,提出一种深层特征学习单元,并将其与基于龙格-库塔的残差模块相融合,进而构建出一种基于深层特征的残差模块,以提升深层特征提取能力。该网络联合使用浅层和深层特征,可以重建出包含更多细节信息的图像。（2）提出一种基于多尺度特征融合与混合注意力机制的超分辨率方法。大部分当前的超分辨率网络都通过堆叠模块的方式来提取更多的深层特征,然而这种方式普遍存在特征提取尺度单一的问题,限制了网络的性能。为此,本文提出一种面向超分辨率网络的通用深度特征提取策略。首先,设计一种多尺度特征融合模块,通过融合不同尺度的特征来获取更具辨别性的表示;其次,提出一种空间注意力机制单元,并进一步结合通道注意力机制构建出一种混合注意力模块,可以根据特征权重来有效消除冗余特征;最后,结合多尺度特征融合模块与混合注意力模块,设计出一种通用的深度特征提取模型,并将其成功应用于EDSR-s、RK2-s和LF-s网络。此外,在多个标准数据集上的实验结果表明,提出的方法在主观视觉效果和客观评价指标方面都优于多种现有的方法,因此能够为超分辨率的发展和实际应用提供一定的技术支撑。