单帧图像超分辨率(Super-Resolution,SR)的目的是从单幅低分辨率(LowResolution,LR)图像中恢复出一张高分辨率(High-Resolution,HR)图像。凭借着能克服物理成像局限的优势,图像超分辨率技术作为一种增加图像分辨率的后处理技术,被广泛应用于诸如医学图像、遥感图像、安防监控领域等对图像细节要求较高的场景。图像超分辨率重建技术提出并发展已有几十年的历史,当前SR方法可分为基于插值、基于重构和基于实例三大类。近些年,大多数先进优秀的方法都采用基于外部实例的SR算法,它们利用大量外部数据从中学习出LR-HR图像块之间的映射关系,对HR图像直接进行预测重建。最近,深度学习方法,特别是卷积神经网络(Convolutional Neural Network,CNN),凭借着强大的非线性拟合能力,在图像SR领域实现了突破性的成功应用。然而,大多数基于CNN的SR算法并未充分考虑图像的非局部相似性,而该性质在传统非局部方法中被证实能有效地提升图像的重建性能。因此,本论文针对CNN模型中图像非局部相似信息提取不足的问题,进行了深入的研究,并从不同角度出发开展了如下两个工作:从数据层面出发,提出了基于块匹配和3D卷积神经网络的非局部SR方法。该方法利用块匹配方法从二维图像中提取非局部相似图像块,并形成了三维图像块集。基于三维图像块集,一个3D卷积神经网络构建并训练去提取其中局部和非局部相似信息,并学习出LR-HR图像块集之间的映射关系。最后该方法从预测的图像块集中重建出HR图像。针对3D卷积网络的设计,该方法推广具有8层全卷积的基础模型,提出了基于循环神经网络的改进模型用于降低模型复杂度。实验证明,所提方法的基础模型和改进模型,与已有方法相比,均实现了有效的性能提升。其中改进模型在与基础模型相同的参数量情况下实现了对比算法中最好的SR性能。从网络结构出发,提出了基于非局部神经网络的图像SR模型。该方法改造现有基于CNN的非局部操作,并将其与传统CNN结构联合,提出了混合残差单元。以混合残差单元作为循环单元,该方法构建了一个循环网络用于在LR空间提取图像的局部和非局部信息。最后利用上采样网络将特征转换到HR空间并实现HR图像的重建。实验结果显示,非局部操作的利用能有效地捕获图像中的非局部相似信息,提升SR重建性能。所提出的非局部残差网络,与现有CNN模型相比,表现出明显的重建优势,并在结构信息丰富的图像场景上表现突出。