目前,随着高科技智能化发展,人类对图像质量的要求也在不断提高,因此针对单一图像超分辨率的研究愈发火热。图像超分辨率技术在医学影像、遥感成像、公安安防等多领域都有着极高的研究价值和现实意义。在前期对基于卷积神经网络（CNN）的图像超分辨率技术的研究发现,尽管卷积神经网络在图像超分辨率重建领域能够产生较好的图像复原效果,但是基于CNN的图像超分技术仍有以下不足:当输入的图像信息通过许多层后,在到达网络的末端或下一层网络的初端时,信息特征就会消失或者被过滤掉,导致最终输出图像缺失许多关键信息特征,从而使输出的图像并不能实现更好的高质量重建效果;另外,模型性能与运行速度之间的平衡性普遍不高,现有部分模型性能较高但参数过多导致运行速度过慢。针对以上不足,本文提出一种基于MBRN算法的多特征挖掘网络以用于图像超分辨率重建。本文创新点主要包含两大方面:一是提出多分支残差网络（MBRN）,其相较于传统残差网络区别在于,MBRN在传统Res Net网络的基础上增加网络分支层。分支层由多路分支组成,分支网络层的核心设计思想是将块序列与卷积进行不同数量的反复交叉组合,旨在得到更深层次的串联路径和较大的网络深度以避免信息丢失或过滤的问题。二是本文提出特征金字塔融合信道注意机制网络模块（FPCA）,其在特征金字塔的每个水平路径中添加信道注意机制,通过自上而下的路径聚合特征映射,以生成更具针对性的特征映射,最终更好实现网络模型对关键信息的特征映射力。针对本论文所提出的算法在四大基准数据集上进行大量实验,在三种比例因子下分析实验数据进一步验证本文所提算法的网络性能,并且将本论文所提算法与现有19种先进算法相比较,通过实验数据对比图与视觉直观图的展示,证明本论文所提算法在高效性和精准度上都展示出优秀的网络性能。本论文的四组实验内容大致如下:第一组实验是根据自身网络结构性能进行的再优化实验,第二组实验是与19种现有先进算法的数据在网络性能（PSNR/SSIM）的对比实验,第三组实验是与现有7个先进算法的视觉直观图展示实验,第四组实验是与其他8种型号（A+、Self Ex SR、SRCNN、FSRCNN、VDSR、DRCN、Lap SRN、EDSR）在模型性能和运行速度间的均衡性对比实验。针对以上实验本论文可以得出结论,本文的算法在在高效性和精准度方面均优于大多现有先进算法,在单一的图像超分辨重建方面能够展示出较好的图像复原效果。