随着深度学习技术的飞速发展,传统的机器学习方法在图像超分辨率领域已不能满足人们日益增长的准确性、高效性、速度等方面的需求,因此能够改变现有窘境的卷积神经网络应运而生。图像超分辨率重建技术的核心思想是指从低分辨率图像恢复高分辨率图像的过程,它在计算机视觉中是一类重要的图像处理技术。图像超分辨率重建是一个经典不适定逆问题,因为对于任何低分辨率图像的输入,都有多种解决方案,因此图像超分辨率重建是图像处理领域中的研究难点。从早期的卷积神经网络至今,越来越多优秀的卷积神经网络变体相继被提出,并在不同的应用中取得了良好的效果。虽然先前各种卷积神经网络的变体或方法有着许多传统机器学习方法无法比拟的优点,但是仍然有很多改进的空间。视觉感观和重建图像的精确度还能够进一步提升,针对上述存在的问题,本论文设计工作如下:（1）本论文将门控机制的概念引入到卷积神经网络中,提出了一种基于预训练的应用于遥感图像超分辨率的神经网络-门控卷积神经网络（PGCNN）。PGCNN由带有几个长跳跃连接的残差块组成,每个残差块都包含一个精心设计的门控卷积单元,它对高频信息和低频信息提供不同的权值来控制信息的传输,使得主网络专注于学习更多高频的卫星图像特征信息。在SIRI-WHU,NWPU-RESISC45,RSSCN7和UC-Merced这四个公共遥感测试数据集上的实验结果表明,与现有的几种经典方法相比,该方法在精确度和视觉效果上都有了全面的提高。（2）本论文将局部注意力机制与残差结构相结合,设计了一种新型的残差块-局部注意力机制残差块（RLA）,它不仅能够有效地利用残差结构的强大学习能力,还使用局部注意力机制来约束残差的学习过程,使其能更直接地学习那些对图像超分辨率任务而言更重要的像素局部区域信息,由此提出了一种新型的单图像超分辨率重建网络模型,命名为局部注意力卷积残差网络（RLAN）。在Set5、Set14、BSD100、Urban100和Manga109这五个自然图像数据集上的实验结果表明,与几种优秀的超分辨率方法比较,该方法重构出的SR图像可以恢复更多的细节信息,使得纹理更加真实自然,并且具有良好的主观视觉效果和客观质量。本论文将提出的两种图像超分辨率重建方法和多个经典的图像超分方法进行对比实验,不论是主观评价的视觉效果、还是客观评价的重建质量方面都表现出良好的性能,可应用于自然图像、卫星遥感图像等多种现实场景中。