随着人工智能以及机器视觉领域的发展,超分辨率图像处理技术成为研究热点。图像超分辨率（Super Resolution,SR）重建是指从已知低分辨率图像（Low Resolution,LR）中通过优化算法恢复出所需高分辨率图像（High Resolution,HR）的图像处理技术。近年来,卷积神经网络在图像超分辨率重建领域中相较于传统方法获得了更好的图像重建效果。但是,现有卷积神经网络模型存在着网络结构过于复杂、网络运行效率低、网络层间信息流动性差等问题,从而影响图像重建质量。针对现有的网络模型存在的问题和不足,本文提出了一种有效的密集跳连接剪裁残差网络模型。首先,为了解决增强网络层间信息流动性差的问题,本文将残差单元密集块与串联密集跳连接相结合,达到了在不大幅度降低网络运行效率的同时也很好的提升了图像的重建质量的目的。其次,为了增强图像特征信息之间关联性以及解决粗暴增加卷积层导致的网络训练过拟合的问题,本文提出了密集跳连接剪裁残差网络。该网络层间信息流动性强可以最大化提取图像特征信息,使得网络重建出图像的高频细节信息得到了更好的恢复。最后,为了优化网络的运行效率,减少网络的复杂度,在网络中加入了剪裁模块和残差模块。另一方面,在生成对抗网络中,为了解决生成器对原始的低分辨率图像的特征应用不足的问题,在该模型的基础上,把密集剪裁残差网络引入网络特征提取层,提升网络对原始低分辨率图像特征的提取效果。本文将SRGAN中的网络卷积层和BN层进行了优化,改善了训练过程中网络具有较强的不稳定性以及网络运行效率低下的问题。实验结果表明本文所提出的网络优化模型可以充分利用图像的特征和层次信息来获得准确的SR图像。本文所提出的网络模型在提升网络对于图像特征提取的准确率,减少参数冗余,节省存储空间和计算资源等方面均得到了优化。图像的客观评价指标PSNR和SSIM数值均得到提升。本文网络可以找到最合适的重建图像的特征,经过比对本文网络重建出的SR图像视觉效果更优。实验结果表明本文所提出的网络优化模型具有一定的优越性。