图像超分辨率恢复技术旨在增加低分辨率图像的分辨率,恢复低分辨率图像中丢失的细节,增强图像的总体质量,具有很高的研究价值和广泛的应用前景。近年来,得益于深度学习技术的快速发展,图像超分辨恢复技术的研究也不断取得突破,通过深度神经网络实现的超分辨率恢复模型也已成为超分辨技术研究的主流方法。然而,当前大多数已有的超分辨率恢复算法是在合成图像数据集上进行训练的,这些合成图像数据集的生成过程建立在简化的图像退化模型的基础上,然而真实世界的图像退化过程通常复杂得多,这导致了这些超分辨率恢复算法的泛化性较差,不能很好地应用于真实世界图像的超分辨率恢复场景。在这一背景下,越来越多的研究人员开始关注提升超分辨率恢复算法的泛化性,特别是提高对于真实世界图像的适用性。当前,真实世界图像的超分辨率恢复技术取得了一些进展,但仍面临着许多问题需要解决。本论文针对真实世界图像的超分辨率恢复技术所面临的困难和问题开展研究,特别对真实世界图像数据集中存在的图像空间失配、亮度变化和颜色偏移以及景深变化导致的图像模糊等问题进行深入分析和测试,提出并实现了一种基于可形变卷积的超分辨恢复模型,主要贡献如下:（1）对于图像失配的问题,本文通过在网络设计中引入可形变卷积来在训练时对训练图像进行隐式地配准,以抵抗数据集中的图像失配,并通过实验验证了其有效性。（2）针对亮度变化和颜色偏移的问题,本文提出了一种颜色校正模块在训练中来自动学习和校正训练图像的亮度变化和颜色偏移,并且通过实验说明了其积极作用。（3）针对真实世界图像数据的景深变化导致的用于训练的高分辨率图像局部比低分辨率图像更加模糊的问题,本文提出了一种基于图像梯度的在线样本筛选方法,在训练时剔除不适合训练的样本,提高了模型的性能。本文对提出的模型和所采用的优化策略在真实图像数据集SR＿RAW上进行充分的测试和评估,并与其他两种先进的超分辨模型RCAN和ESRGAN进行对比分析。实验结果证实了本文所提出的模型的和相关优化策略的有效性,模型的总体性能相比另外两种先进算法模型具有一定的优势。