超分辨率重建（Super-resolution Reconstruction）是图像处理领域常见的基本问题,其目的是将低分辨率图像上采样为高分辨率图像。在医疗图像分析、遥感图像识别、生物特征识别、视频监控与安全等实际场景中有着广泛的应用。针对SRCNN产生的高分辨率图像感知质量不高和SRGAN产生的高分辨率图像含有大量伪细节的问题,本文提出了一种基于深度反向投影的感知增强超分辨率重建模型。该模型采用双尺度自适应加权融合特征提取模块进行特征提取,然后通过深度反向投影进行上采样,最终由增强模块增强后得到最终输出。实验结果表明,模型在各项指标上均优于对比算法,模型重建的图像能够在忠于原图的情况下同时拥有较高的感知质量。遥感图像处理在实际应用中具有重大价值。高分辨遥感卫星研发成本高、耗时长,如何经济便捷地获取高分辨遥感影像是一个具有挑战性的难题。本文提出了融合注意力机制的多尺度遥感图像超分辨率重建算法,通过引入注意力机制和多次下采样,使网络能够在不同尺度上根据注意力机制调节卷积核权重,以更为精细地学习图像特征。实验结果表明,该算法在各项指标上均优于对比算法。参数压缩对于卷积神经网络的实际部署具有重要意义。本文首先证明了张量的n模乘积是坐标变换,然后采用张量分解对融合注意力机制的多尺度遥感图像超分辨率重建进行了参数压缩,并对压缩后的网络进行了对比。