单图像超分辨率重建是计算机视觉领域经典问题,旨在从一个给定的低分辨率图像中恢复出高分辨率图像。近年来,基于深度卷积神经网络的图像超分辨率技术取得了突出进展,许多有效方法相继被提出。但是,当前大多数方法通过简单堆叠残差块方式增加网络深度,虽然提升了网络性能,但是不可避免引入大量参数,限制了在移动或嵌入式等资源受限设备中的使用。本文提出了一种轻量级嵌套残差超分辨率网络,旨在构建一种参数量少、视觉效果良好,客观性能与计算复杂度之间取得较好平衡的网络模型。具体来说,本文创新点如下:（1）本文提出了多尺度特征融合块提取多样化特征。当前许多方法使用单一尺度卷积核提取特征,忽略了许多特征信息。在多尺度特征融合块中,我们并列不同感受野的卷积核提取特征,使用级联操作融合提取到的多尺度特征。一方面确保提取的特征信息更加多样化,为重建高质量图像提供丰富的细节信息;另一方面有利于特征信息的融合。此外,我们使用递归方式组织多尺度特征融合块,在增加网络深度的同时不增加网络参数量。（2）本文提出了通道搅乱注意模块,便于特征通道之间信息流动,增强特征选择能力。近年来,许多基于卷积神经网络的方法都忽略了特征通道之间的相互依赖性,阻碍了网络的表示能力。我们结合通道搅乱和注意机制的优势,提出了通道搅乱注意模块。其中,通道搅乱运算能够促进通道之间信息的流动,注意机制能够增强网络对特征的选择能力,进而提高了网络的表示能力。（3）本文提出了全局特征融合连接便于提高浅层特征的利用率,减少图像信息的丢失。一般来说,浅层特征包含大量低频信息。为充分利用这些低频信息,全局特征融合连接将浅层特征融合到网络的每一个阶段,有利于深层特征与浅层特征的融合。此外,不同于一般的全局特征融合（如逐点相加或级联操作）方式,我们使用逐点卷积对浅层特征实现跨特征通道的信息交互与融合,有利于特征信息的流动,减少图像信息的丢失,提高浅层特征的利用率。