深度学习技术已显著改进了单图像超分辨率方法（SISR:Single Image Super-Resolution）的性能,并主导了 SISR 方法的研究。但是,大多数方法并未充分利用特征通道之间的相关性。为了解决这个问题,本文提出了一个基于特征通道协作的SISR方法,以改进现有的SISR方法。我们构造了两个通用的特征通道协作模块:特征通道协作注意力模块和特征通道协作上采样模块,两个模块是独立的,可以集成到其它现存的SISR模型中。在当前两个代表性的SISR方法上的实验结果表明:我们的特征通道协作模块能够显著改进其它SISR方法的性能。具体来说,本文有以下创新点:（1）本文提出了特征通道协作注意力模块,融合各个通道特征,以变换出更有表达力的特征。该过程先将特征编码到特定的特征空间,随后通过任意两个通道向量间的余弦相似度来衡量其相关性,然后依据通道相关系数对每个通道互补增强,进而实现不同通道间信息的交互和互补,最后将特征再解码回原始特征空间。这一过程充分利用了同一深度不同通道间的相关性,使得不同通道捕获的特征能够进行协作传播。（2）本文提出了特征通道协作上采样模块,是一种能同时融合不同尺度间高频信息的多尺度上采样模块。该模块包含16个宽激活模块,可以融合不同尺度的信息。为了进一步提升不同模块间的协作能力,将特征通道协作注意力模块应用在该上采样模块中,以充分利用这16个模块所提取特征的相关性,使得上采样模块中不同深度不同尺度的特征能够进行交互和互补,改进多尺度上采样效果。（3）本文提出的特征通道协作模块是独立的,可以集成到其它主流的SISR模型,并显著提升其性能。