图像超分辨率重建算法(Image Super Resolution,SR)是通过计算机软件技术将低分辨率图像(Low Resolution,LR)重建为细节丰富的高分辨率图像(High Resolution,HR)的一种技术。当下现有的图像SR技术主要是在插值、重建和学习的基础上进行研究,而随着一些领域中对于重建图像质量的要求越来越高,传统方法方法存在重建图像模糊、锯齿等问题,不能满足具体的工作要求,因此研究者们就将深度学习应用到图像SR重建的领域当中,并且取得了突破性的进展,本论文在基于深度学习的SR算法的基础上主要完成以下工作:(1)加强不同图像特征之间的联系:图像的特征分为原始特征、浅层特征和深度特征三种,传统的算法没有考虑到这三种特征的不同的重要性,并且缺乏三种特征之间的联系,我们通过建立自适应的校正通道以提高对不同特征的处理能力,对不同的特征进行不同的处理,得到尽量完整的高频信息,用特征融合的方式提高了模型的表征能力。(2)解决图像高频分量丢失的问题:在训练模型时我们发现图像的高频分量会随着模型的深度增加而丢失,运用多路径残差学习的方式将得到的图像预测信息统一级联到重建层,重建得到的图像细节相比其他方法得到的图像更加丰富,峰值信噪比和结构相似性的值更高。并且整体网络通过递归结构解决模型存在的梯度爆炸和过拟合,递归层共享参数,同时也解决了模型深度增加控制参数过多的问题。(3)通过大量实验测试模型性能:在传统测试集和实际图像的测试中,分别在主观方面展示了重建结果的丰富细节和根据不同的图像评价标准在客观数据方面证明了模型的优越性。实验证明本文提出的方法可以恢复更细致的纹理和更锐利的边缘,并且可以适用于具体工作,具有重要的应用价值。