为了在条件受限的情况下获得主观效果更好的高分辨率图像,往往采用超分辨率算法处理图像,来恢复图像细节,提升图像质量。深度学习方法的广泛的运用与发展,卷积神经网络尤其适合于图像任务,在超分辨率算法中出现较多的相关研究。然而一些性能优异的基于深度学习的超分辨率算法参数量和计算量都较大,难以在实际场景中应用,因此一些轻量级的模型提出,来解决这个问题。本文针对目前超分辨率算法中所存在的一些问题进行研究:为了降低参数量和计算量,许多轻量级网络会减小模型主通道大小,在网络内压缩通道数,使得特征维度降低,非线性映射能力变差,影响模型性能。本文设计了一种基于3D卷积的轻量级卷积层,在参数量较小的情况下,保证了较大的特征维度,并根据提出的卷积层特性对网络的特征提取、特征映射和图像重建三个部分加以改进,在小参数量的情况下获得了较好的性能。最终对比实验得出,所提出的模型在参数量相近的模型中表现最优,参数量和计算量很均衡,补充的消融实验中探讨了不同网络超参数的设置对模型性能的影响。自然图像中存在许多的跨尺度相似的图像块,可以利用相似图像块补充下采样丢失的信息;同时卷积层自身的计算方法限制,往往不能获得足够的感受野,利用较远位置的信息。为了充分利用图像中较远的、跨尺度的相似信息,文中设计了一个跨尺度非局部信息融合块。由于非局部算法往往计算量较大,不适合直接在轻量级网络,文中采用了局部敏感哈希的方式来降低在跨尺度相似特征搜索时的计算量,同时模块中利用了跨尺度的相似特征信息,可以更有效的帮助网络进行图像重建,更好的补充图像在降质过程中丢失的信息,获取更好的性能。最终的对比实验可以看出,与参数相近模型的比较获得优势,后续的消融实验也可以看出,在相对基线模型参数没有明显变化的情况下,性能得到了一定的提升。