图像超分辨率旨在根据低分辨率图像预测对应的高分辨率图像。与目标检测、语义分割等计算机视觉任务不同，该任务具有高度的不适定性。因此，生成符合特定需求的高分辨率图像是图像超分辨率算法的主要目标。在遥感领域，这种专业化的需求更为显著，涵盖资源开发、灾害监测、土地测绘和生态保护等多个方面。与自然图像不同，遥感数据具有成像条件多样、目标尺度范围广、特征密度变化大和需求导向明确等特点，这使得遥感图像超分辨率成为了一个开放性的问题。

近年来，面向遥感场景的图像超分辨率算法取得了显著的研究进展，为遥感数据的分析、解释和应用提供了重要支持。然而，这些方法通常面临着以下适用性问题：1）特征提取大多依赖手工设计，复杂度较高，限制了模型的扩展性和实用性；2）普遍存在过拟合现象，泛化能力较差，影响了预测场景的准确度和置信度；3）数据利用率不高，对复杂模式的学习不充分，降低了预测场景的可判别性和可解释性。为了解决上述问题，本文将遥感图像超分辨率分为面向重建精度与面向感知质量两类，并针对不同的场景分别提出了创新性的解决方案，以缩小研究方法与实际需求之间的差异。本文的主要研究内容与贡献归纳如下：

1. 提出一种基于全局特征融合的多图像超分辨率方法。该方法充分利用了采集自同一场景的多张低分辨率图像的互补信息，最大程度地降低了环境的影响，进而提高目标场景的重建精度。具体地，该方法引入了一个基于Transformer的融合模块，能够对任意数量图像的相同区域施加动态注意力，从而显著提高图像利用率。此外，通过可学习的嵌入向量高效地提取全局融合特征，进一步降低了模型的复杂度，并使其适用于时序相关性弱的采集图像序列。在PROBA-V Kelvin数据集上的实验证明，提出的方法在多个波段上都表现出了先进的抗噪能力和重建精度。

2. 提出一种基于增强表征的多倍率图像超分辨率方法。该方法充分利用了多倍率训练提供的不同尺度级别的目标信息，引导网络获取更丰富的特征表示，进而提高目标场景的重建精度。具体地，该方法引入了一个任意尺度上采样重建模块，其中包括基于连续表达的局部密集预测模块和基于离散表达的特定分辨率增强模块，用于将目标场景扩展并嵌入到指定分辨率。此外，通过引入一种自集成策略，进一步缓解了超高倍率重建面临的欠拟合问题。在多个遥感数据集上的实验证明，提出的方法在多个倍率下的重建精度都达到了先进水平，并且具有较好的细节复原能力。

3. 提出一种基于多尺度感知优化的图像超分辨率方法。该方法充分发挥了损失函数对于深度神经网络的驱动作用，从而提高复原场景的感知质量。具体地，该方法引入了一种基于多尺度相似度距离的感知损失，通过显式地监督图像级别与特征级别的多尺度块相似度，以指导网络适应不同尺度的视觉模式。此外，通过将基于归一化纹理复杂度的自适应注意力融入到该损失函数中，有助于增强网络对于复杂纹理的预测能力。在多个遥感数据集上的实验证明，提出的方法能够显著改善多种感知指标，提高复原场景的图像质量，同时不会对网络训练造成较大的负担。

4. 提出一种基于轻量级扩散模型的图像超分辨率方法。该方法充分发挥了扩散模型强大的图像生成能力，从而提高复原场景的感知质量。具体地，该方法引入了一种轻量化的扩散模型，其使用基于交互注意力的轻量级嵌入模块以高效地整合低分辨率条件信息，并采用无参数的像素重排方式构造潜在空间以降低推理复杂度。此外，通过使用一种加速采样方法，进一步提高了模型的推理效率。在多个遥感数据集上的实验证明，与现有扩散模型方案相比，提出的方法显著增强了图像的生成效率；与快速图像超分辨率方案相比，提出的方法实现了更好的重建精度与感知质量的平衡。