在计算机技术高速发展的今天,图片已经成了信息传递中的主要媒介。人们对于图像分辨率的要求越来越高,比如医学领域,高分辨率医学影像图片能够帮助医师有效掌握病人身体情况;遥感图像领域里,高分辨率遥感图像可以帮助我们有效的应对特殊天气和地质灾害。但是,成像技术的限制、外部环境条件的影响以及图像传输过程的损耗,都会导致人们获取到的原始高分辨率图像退化成低分辨率图像。因此,图像超分辨率算法应运而生。图像超分辨率算法被广泛应用于医学影像、公共安全、军事国防等多个领域。近年来基于卷积神经网络（Convolutional Neural Network,CNN）强大的提取低分率与高分辨空间中有效抽象信息的能力,单图像超分辨率（Single Image Super-Resolution,SISR）算法研究取得了重大进展。然而,绝大多数单图像超分辨率网络是通过不断加深网络深度获得了优秀的超分辨性能,但也为之带来了巨量的计算成本和参数量,很难应用在计算性能较低的移动设备上,缺乏灵活性。如何平衡网络参数与性能之间的关系,使其能够从低分辨图像中提取丰富的细节纹理特征进而重建出高分辨图像成为了单图像超分辨率研究的一个热点问题。本文展开了对此问题的研究,提出了两个在保证了超分辨率性能的基础上,又大大的降低了参数量和计算成本的轻量级超分辨率网络。（1）针对现有的基于信息蒸馏机制的轻量级图像超分辨网络存在的粗糙特征利用率不足、忽视融合过程中的特征处理的问题,提出了一种基于残差结构的信息蒸馏注意力网络。该网络由残差蒸馏注意力块和重构模块组成。在残差蒸馏注意力块中嵌入了蒸馏注意力块、全局上下文融合模块与多重特征蒸馏连接。蒸馏注意力块捕获像素间的依赖关系并过滤冗余特征以提高模型对重要特征的敏感度,全局上下文模块整合不同层次的蒸馏特征以实现更好的特征表达,多重特征蒸馏连接模块连接多层次的特征以加强特征信息传递并弥补信息遗失。由实验结果表明,本轻量级网络在取得较好图像超分辨率性能的同时,也有效的较低了计算量、参数量和重建时间。（2）针对目前很多图像超分辨网络对不同频率特征进行相同方式处理,灵活性不足,盲目堆砌网络深度导致参数冗余,计算成本巨大,为模型改进留下了空间。本文提出了一种轻量级多分支残差网络。该网络共有三个分支:上下文信息提取分支,细节纹理分支,边缘提取分支,分别对输入的低分辨率特征的上下文信息、细节纹理、边缘部分进行提取。首先在边缘提取分支上将Laplace算子与空洞卷积相结合提取边缘部分特征,不但扩大感受野而且显著减少了参数量,提升模型性能。在细节纹理提取分支上提出了多尺度特征残差注意力块,利用它自适应的提取与融合多尺度特征,并且采用对称结构,通过重用卷积层提高卷积使用率,以便于在加深网络深度的同时减少参数量与计算消耗。本文认为对不同通道的特征采用同样的处理方式可能会使得一部分网络性能浪费在低频特征上,所以设计多尺度通道注意力块灵活的对不同通道的特征进行提取。最后在上下文信息提取分支上使用浅层残差网络收集图像上下文信息以辅助最后的图像超分辨率重建性能。与其它先进网络相比,本轻量级网络在重建性能与参数量等方面取得了较好的平衡。