单幅图像的超分辨率重建技术能够利用特定的一些算法将一张低分辨率图像重构为同一场景、内容相同的高分辨率图像,在不同行业内应用广泛。卷积神经网络强大的特征表达能力使其在超分辨率领域取得了显著的成就,是目前重建算法的主流框架。本文对基于卷积神经网络和注意力机制的图像超分辨率重建进行了研究,发现大多数算法的网络模型过深,而且忽视了卷积层无法捕获全局特征依赖的弊端。先进的模型中引入了一种注意力机制解决卷积局限性问题,但没有综合考虑不同注意力图之间的聚合,导致重建过程中对图像上下文特征间的关联性利用不足,重构出的图像缺少一些细节信息,而且这些模型参数量较大,难以训练。为了解决以上现有方法中存在的缺点和不足,本文综合考虑了网络的宽度、注意力机制和深度三个方面,进行了以下改进:（1）本文构思了一个多尺度残差块,将其与普通残差块级联,搭建了一个多尺度上下文特征融合块,充分捕获图像局部与非局部区域的注意力感知特征。（2）本文提出了一个双注意力模块,用于聚合多尺度感知特征的各像素间和不同通道特征图之间的依赖关联,提升网络在重建纹理信息复杂的图像时对高频细节特征的恢复能力。（3）本文使用10个多尺度上下文特征融合块和一个双注意力模块设计了多尺度特征融合双注意力网络,以较少的参数实现图像超分辨率重建任务。本文算法使用通用的数据集进行训练和测试实验,文中对数据集和图像质量评估方法进行了详细介绍。大量的对比实验结果证明,本文模型中的多尺度上下文特征融合块和双注意力模块在重建过程中发挥了重大的作用,有效提升了重构图像的质量。在五个基准数据集上的测试实验结果表明,对比其他经典、先进的算法,本文算法能够以较少的模型参数,重构出边缘更锐化、纹理特征更丰富的图像,缓解重建图像趋于模糊、细节特征不够丰富的问题。