深度卷积神经网络被广泛应用于单图像超分辨率重建领域,显著提升了重建方法的性能。加深网络深度往往可以获取更高的性能。但是,当前超分辨率重建方法常采用增加卷积层层数或者卷积层个数的方式提高重建图像的性能,当卷积层层数或者个数增加时,模型的参数量,运行时间以及计算量也随之增加。现实世界中,由于硬件设备资源有限,此类方法实际应用中表现大打折扣。本文通过调研分析当前性能优越的单图像超分辨率重建方法,提出一种潜在的解决方法,以提高在资源受限情况下超分辨率图像重建性能。首先,本文提出一个多路特征并联的图像超分辨率重建方法。该方法可以获取低分辨率图像的层次特征信息,通过重建图像的不同方面,显著提高重建性能。其次,本文改进多路特征并联的图像超分辨率重建方法,提出了多路特征并联融合的轻量级图像超分辨率重建方法,在重建性能,模型参数量与计算复杂度方面获得良好的平衡。本文主要贡献如下:（1）提出一个特征并联残差块。特征并联残差块采用先扩张后压缩的策略,结构中的第一个卷积层和第二个卷积层被用于扩张图像特征信息的通道,提取丰富的特征信息,第三个卷积层与第四个卷积层用于压缩特征信息的通道,筛选有利于图像重建的图像特征信息。本文将第二个卷积层与第三个卷积层的卷积核尺寸均设置为1×1,相比于其它尺寸的卷积层,随着通道数目的增加,不会显著增加参数量。（2）提出一个相关权重模块。相关权重模块根据特征信息,计算每一个特征信息通道的权重,随后分别对各个特征信息通道进行加权处理,使有利于图像重建的特征信息被传递。（3）提出一个浅层特征映射单元。浅层特征映射单元,通过不同支路上,不同的尺度卷积层提取丰富的浅层特征信息,丰富的浅层特征信息有助于重建模块重建高质量的图像。（4）提出一个多路重建单元。多路重建单元包含三个分支支路,分别将特征信息重建图像的不同方面,将所有重建结果相加,生成最终的重建图像。