随着人口老龄化加剧与生活方式的改变,眼底疾病变得越来越普遍。由于获取眼底图像的安全性和成本效益,眼底图片被广泛适用于眼科疾病的筛查与诊断。为了更好的诊断,高分辨率眼底图像是必不可少的。然而,获取高分辨率眼底图像对于硬件设备要求往往比较高。因此,利用超分辨率技术提高眼底图像分辨率是一个不错选择。近年来,利用深度学习来解决医学图像超分辨率成为研究热点。本文针对于基于深度学习的超分辨率算法的现有问题,从眼底图像的角度展开研究。本文的主要贡献如下:（1）本文提出了一种基于注意力机制的眼底图像超分辨率重建算法,旨在有效地捕捉低分辨率-高分辨率图像以及特征层通道之间的依赖关系。本文首先提出了一种具有注意力机制的密集模块。该模块将迭代上采样下采样、注意力机制应用到超分辨率任务,在捕捉低分辨率与高分辨率依赖关系的同时关注特征层通道之间的依赖关系。为了降低优化难度,该算法采用局部与全局残差连接的方式组合该模块。实验表明,与现有算法相比,本文所提算法更能捕捉低分辨率-高分辨率图像以及特征层通道之间的依赖关系,获得更加优质的眼底图像。（2）本文提出了一种基于风格引导的眼底图像超分辨重建算法,旨在有效增加网络感受野以及多尺度特征的融合,充分挖掘中间层通道之间的依赖关系。针对于以上两个目的,本文提出了具有风格引导的模块,该模块包含两个分支。为了提高网络感受野,本文提出一个改良版的U-Net主干分支,该分支旨在通过下采样操作增加模型的感受野,同时通过密集连接促进不同尺度特征层的融合。为了充分挖掘中间层通道之间的依赖关系,本文设计了一个能够提出特征层风格描述子的掩码分支,该分支能够在通道层面增强或抑制主干分支的输出。此外,本文采用残差注意力机制有效的组合这两个分支,提高模型的表征能力。本文通过大量实验验证了该模型的有效性与鲁棒性。