近年来,随着经济社会的发展,人们对高分辨率图像的需求越来越大,但硬件技术发展无法匹配需求的增长速度。为此,软件技术的补充,即单图像超分辨率重构方法（下简称图像超分方法）,显得尤为重要。图像超分方法具有众多方向,按照算法类型可分为基于插值的图像超分方法、基于重建的图像超分方法和基于学习的单图像超分方法。其中,基于学习的图像超分方法又分为了基于传统特征学习的图像超分方法以及基于深度学习的图像超分方法。由于基于深度学习的图像超分方法减轻了人工特征的设计工作,方便了研究工作开展,同时具有强大的模型拟合能力,成为了当前图像超分辨率领域的热门方向。然而,大多数基于深度学习的图像超分模型规模庞大,存在应用性不强、可解释性差、可扩展性弱等问题,限制了相关方法的推广以及应用落地。因此,减轻图像超分模型的规模是当前相关研究的主流方向。本文以图像超分辨率模型轻量化为主线,基于动态分组卷积（dynamic group convolution,DGC）方法来解决上述存在的问题,具体如下:针对模型应用性不强和可扩展性弱的问题,本文结合了最新的动态卷积技术和分组卷积技术,提出了一种适用于深度学习模型的方法——动态分组卷积。该方法优化了模型计算资源开销和增强了性能表现,特别是在Urban100数据集上PSNR提高了0.17d B;针对基于DGC方法超分模型性能不足的问题,本文将DGC方法中的Softmax函数改进为Squash函数,全面优化了DGC方法的模型性能表现;针对模型可解释性差的问题,本文基于DGC方法搭建了轻量级图像超分模型——动态分组卷积超分辨率网络（dynamic group convolution super-resolution network,DGCSR）,通过分组数和卷积核数目不同组合探索出DGCSR模型的设计原则,得到最优架构。在多个公开数据集上不同放大倍数的对比实验结果表明,基于DGC方法的DGCSR模型的表现接近甚至超过现存大多数基于深度学习的轻量级模型,同时具有良好的性能和友好的计算资源开销,是一个简洁有效的轻量级图像超分辨率模型。