遥感图像的空间分辨率直接影响地物信息提取与环境监测的精度。然而，由于传感器硬件限制和观测条件约束，现有遥感影像常难以同时满足大范围覆盖与高分辨率需求。为提升遥感影像的空间表达能力，本文在经典 SRGAN 框架的基础上提出了一种改进的超分辨率重建模型——VIT-ISRGAN（Vit based improved super-resolution generative adversarial network）。该模型在生成器中引入轻量化残差模块（Light Weight Block）、通道注意力模块（SE Block）以及 Vision Transformer 结构，以增强特征提取能力并降低冗余计算。其中，轻量化残差模块通过通道混洗和深度可分离卷积有效减少模型参数，SE Block 自适应地调整特征通道权重，Vision Transformer 则通过自注意力机制捕捉遥感影像的全局依赖关系。
在 Sentinel-2 与资源一号 02D 卫星影像构建的数据集上开展实验，并与 Bicubic、VDSR、EDSR 及 SRGAN 等方法进行对比。结果表明，本文提出的 VIT-ISRGAN 在客观指标上优于对比模型，峰值信噪比（PSNR）和结构相似性（SSIM）分别达到 39.240 dB 和 0.9417，较原始 SRGAN 提升明显。同时，在城镇、农田、水体及林地等不同场景的重建实验中，本模型在纹理细节和色彩还原方面均取得了更佳的主观视觉效果。进一步在棉花根腐病研究区的应用验证显示，该方法在病害区域边界和纹理信息恢复方面表现优越，为农业监测等实际场景提供了更高精度的图像数据支撑。综上，VIT-ISRGAN 有效提升了遥感影像超分辨率重建质量，兼具较强的特征表达能力与参数效率，具有良好的推广和应用价值。
 

遥感图像；超分辨率重建；生成对抗网络；Vision Transformer (ViT)；轻量化网络模块；通道注意力机制