多年来,单图像超分辨率（Super-Resolution,SR）技术被广泛应用到各个领域,如遥感图像、医学成像、视频监控等,具有重要的研究意义。单图像SR技术旨在从给定的低分辨率图像中,通过恢复图像细节信息来提高图像的分辨率。随着深度学习的发展,基于卷积神经网（Convolutional Neural Network,CNN）的单图像SR方法获得了巨大的成功。目前很多基于CNN的图像SR算法通过训练大尺度的网络来提高性能,但因此也引入了大量参数和繁重计算负担,且需要较长的运行时间,并不适用于许多实际应用。为了解决上述问题,本文提出了两种基于CNN的图像SR算法:（1）为了在模型尺寸与性能之间取得更好的权衡,本文提出了一种基于多路宽激活残差网络（Multi-path Wide-activated Residual Network,MWRN）的图像SR算法。首先,该算法提出了一个多路宽激活残差块（Multi-path Wide-activated Residual Block,MWRB）作为MWRN的基础构建块。在MWRB中,通过将多路宽激活残差学习与空洞卷积结合,以达到扩大感受野的目的,使多尺度的特征更容易被检测。其次,为了更好地利用MWRN中的多级特征,设计了一种融合的通道关注（Fusional Channel Attention,FCA）模块,其包含有一个瓶颈层和一个多路宽激活残差关注（Multi-path Wide-activated Residual Channel Attention,MWRCA）模块。通过实验表明,与最先进的方法相比,提出的MWRN模型能以相对较少的参数获得最高的峰值信噪比（Peak Signal to Noise Ratio,PSNR）和结构相似性指数（Structural SIMilarity index,SSIM）。（2）为了使模型更加快速以及轻量化,本文提出了一种特征补偿的信息蒸馏网络（Feature-Compensated Information Distillation Network,FCIDN）。首先,提出了一个特征补偿的信息蒸馏块（Feature-Compensated Information Distillation Block,FCIDB）,作为FCIDN的基础构建块。FCIDB通过应用特征补偿的信息蒸馏机制,可以逐步提取层次特征。此外,FCIDB还引入了通道关注机制,将提炼的特征进行重新缩放,使得特征的表达能力更强。其次,为了充分利用FCIDN内多层次的信息,设计了一个信息融合单元（Information fusion Unit,IFU）。通过实验表明,相比最先进的轻量级算法,FCIDN能以较少的参数和运行时间获得优越的性能。