图像超分辨率重建（Super-Resolution,SR）技术,是从观测到的低分辨率（Low Resolution,LR）图像中重建出高分辨率（High Resolution,HR）图像,是图像处理领域中的一项重要技术。该技术在监控、卫星、医学影像等多个领域中,都具有十分重要的实际应用价值。近年来,随着深度学习技术的突飞猛进,卷积神经网络在单图像超分辨率重建（Single Image Super-Resolution,SISR）技术中获得了显著的成就,其中残差网络表现出了更好的性能。本文在基于深度卷积神经网络的单图像超分辨率重建算法的研究基础上,研究如何有效地利用图像本身的内部特征信息,以克服由于图像内部特征信息利用率低导致的高分辨率重建图像细节缺失等问题。为了充分利用图像的内部特征信息,本文提出一种全卷积深度神经网络,用以提取LR图像的内部特征,同时提出了一种新的基于内外特征融合的单图像超分辨率重建网络（Super-Resolution Fusing Internal and External Features Network,SRIFN）。该网络使用图像本身具备的内部特征作为先验知识,然后,将提取的内部特征利用空间特征变换（Spatial Feature Transform,SFT）模块嵌入到残差网络中,形成新的残差模块,从而建立了一种基于内外特征融合的深度残差网络。本文通过对SRNIF网络的改进,进一步提出了基于渐进上采样融合的单图像超分辨率重建算法（Super-Resolution based on Progressive Upsampling Fusion,SRPUF）,将基于内外特征融合的后上采样SISR网络改为渐进上采样SISR网络。同时该算法将反卷积与像素重组两种上采样得到的HR图像进行像素融合,改善重建效果。该网络具有较强的早期重建能力,能够逐步生成最终的高分辨率图像,进一步提高基于内外特征融合的单图像超分辨率重建网络的性能。实验结果表明,本文提出的方法增强了重建图像的质量和纹理特征,改善了重建图像的视觉效果。