图像超分辨旨在从退化的低分辨图像重建出更多高分辨细节。随着双目成像技术的发展,双目图像已广泛应用于深度估计、虚拟现实与自动驾驶等领域。相较于单图超分辨,双目图像在由视差引起的极线约束下高度对称,因此可以利用左右视图间的互补信息进一步提升超分辨效果。近年来,研究人员已将深度学习成功应用于双目图像超分辨,其中多数方法利用视差先验获取图像间匹配信息,取得了卓越的性能,但也存在部分问题:1)对两视图特征的挖掘和融合仍不够充分,2)对双目图像间多变视差的建模能力仍然不足。针对此问题,本文开展了如下工作:（1）提出一个基于跨尺度跨视图非局部特征的双目图像超分辨网络（CSCISS-Rnet）。其中针对两视图特征融合不够有效的问题,提出残差特征融合模块（RFFB）,使得网络着重于特征源之间的不同信息,提升融合后特征的表征能力。此外,针对两视图特征挖掘不充分的问题,充分利用视图内、跨视图间的局部和全局上下文信息,并提出跨尺度跨视图非局部注意力（CSCIN）机制,直接获取高分辨的跨图像相似性特征。将挖掘到的多种特征不断通过RFFB融合,增强对视图内及跨视图信息的利用收益。（2）基于双目图像超分辨和视差估计问题紧密交织和相互促进的特性,提出双目图像超分辨和视差估计反馈网络（SSRDE-FNet）,利用高精度的视差引导左右图像建立更准确的关联并促进超分辨,实现了两任务在端到端的神经网络中的联合优化。SSRDE-FNet以从粗到细的方式估计高分辨视差,首先由低分辨视差引导双目超分辨重建,生成的高分辨双目特征用于构建和聚合匹配代价以实现高分辨视差估计。随后,提出高分辨视差信息反馈（HRDIF）机制,包含聚合后的高分辨特征反馈（AHFF）和低级特征表示增强（LRE）两种策略,将视差信息反馈给前序网络层并以网络递归的方式进一步提升两任务的性能。为验证所提方法的有效性,在公开数据集上进行了大量的实验。结果表明,相较于其他模型,所提方法在定量指标和视觉效果上均有优势。此外,消融实验验证了本文提出的各模块和策略的有效性。