图像超分辨率是一种将低分辨率图像使用某种方法重建为高分辨率图像的技术。图像超分辨率在许多现实场景中有重要的应用价值。此外,在其他视觉任务中,图像超分辨率也可以作为一种强有力的预处理方式进一步提升原任务的效果。随着卷积神经网络在各种视觉任务中的应用与不断发展,基于深度学习的单图像超分辨率重建极大的提升了图像的重建效果。然而,目前的许多的基于卷积神经网络的单图像超分辨率重建算法缺乏多尺度信息,不能有效的提取图像高频信息,导致重建图像质量不佳,同时网络结构普遍采用前馈结构,而没有使用反馈信息,反馈信息有助于图像信息的逐步细化,获得更多的高频信息。基于以上原因,本文对单图像超分辨率重建中的多尺度特征提取与融合,反馈网络机制的利用进行研究,主要的研究内容有以下两个部分:（1）针对现有超分辨率算法在利用多尺度特征时多尺度特征类型单一的问题,设计了一种同时利用两种不同类型的多尺度特征的多尺度特征提取模块。针对现有单图像超分辨率算法中多尺度特征融合效率低下,效果不佳的问题,提出了一种基于误差反馈机制的特征融合方法。结合以上两种方案,设计了一种适于图像超分辨率重建的反馈多尺度密残差网络。该网络同时利用两种不同的多尺度特征,一种为使用不同尺寸卷积核提取的感受野不同的多尺度特征,另一种是不同尺寸的多尺度特征。将提出的网络在不同的放大比例下与其他方法进行比较,在主观评价指标与客观评价指标上都获得了更好结果。（2）提出的反馈多尺度密残差网络以及目前其他单图像超分辨率算法存在缺乏有效的反馈连接,特征利用不足,模型尺寸过大的问题,针对这一问题设计了一种全局反馈的多尺度密残差网络的图像超分辨率算法。除了在特征融合中使用误差反馈机制,还使用了全局的反馈连接,提升特征的利用率,逐步细化特征,同时也有效缩小的模型的参数数量并且拥有更优的重建质量。全局反馈连接将级联的提取模块提取的多尺度特征重新输入前端,实现全局特征反馈,同时也实现了模块参数共享有效减少了模型的尺寸,利用多次全局反馈循环实现特征的逐步细化,获得更多的高频信息。通过实验证明,提出的全局反馈网络相比其他单图像超分辨率方法以及提出的前馈网络,在不同的缩放比例下都取得更好的重建效果。