图像超分辨率重建作为一种廉价方便的图像增强手段,在视频监控、医学成像、卫星遥感等领域有着重要的研究意义.为此结合深度学习在图像重建的性能优势,提出了一种基于增强稠密残差网络(ERDN)的图像超分辨率重建模型.首先使用多卷积核的稠密残差神经网络模块,提取图像的细节信息;然后通过跳跃连接和特征复用模块对多层图像信息进行筛选重组,使网络模型对不同深度的图像信息综合利用;最后对重建模型参数向量进行约束,通过对长度与方向的解耦运算使模型能够在更大学习率条件下收敛,提升模型训练速度.在多个国际公开数据集上进行实验验证,实验结果表明,该方法获得了更好的主观视觉评价和客观量化评价,例如对于四倍重建任务,ERDN输出图像的峰值信噪比(PSNR)指标在Urban100数据集上比稠密残差网络(RDN)提高了0.24　dB,且模型参数量减少约50％,可适用于各种场景图像的超分辨率重建.