超分辨率（SR）技术通过使用深卷积神经网络（CNN）。通常,深层的CNN网络可以更好地提取特征图和重建高分辨率（HR）图像.然而,更广泛和更深入的网络增加了实时应用时的复杂性和计算时间。因此,开发一种轻量级的网络来重建有更少计算时间和复杂度的SR图像具有重要意义。文中,我们提出了一个多尺度特征提取卷积网络（MSCN）模型,以提高图像重建的质量。在模型中,多尺度层被有效的利用来进行特征提取,且以更少的计算时间和复杂度重建HR图像。该模型包括特征提取网络和重建网络两部分。首先我们在特征提取网络中对低分辨率图像进行特征提取。使用单尺度卷积层是很难提取复杂的特征的。在特征提取网络中,我们采用多尺度卷积层进行复杂的特征提取。3x3和1x1卷积层的主要优点是,从输入图像中提取的特征总量大于5x5CNN层。1x1和3x3 CNN层的权重共享优于5x5 CNN层。在一个网格上,有n x m过滤器的5x5 CNN层的尺寸的计算成本是相同数量过滤器的3x3和1x1 CCN层的25/9=2.78倍。我们用这个方式提取全局和局部特征,可以找到一个最佳点,在较少的处理时间下,用最佳的模型复杂性和少量的层来改善图像质量。每个1x1和3x3卷积层的CNN滤波器的尺寸从196减小到32。在改善单一图像超分辨率的图像质量时,全局特征相比局部特征具有更重要的意义。减小滤波层的尺寸提高了计算量和性能。经过特征提取网络后,利用重建网络对HR图像进行重建。与特征提取网络一样,我们在重建网络中使用3x3和1x1来恢复HR图像。从LR图像中获得的HR碎片用于重建网络去恢复HR图像。实验结果表明,与以往的先进模型相比,我们提出的模型显示了令人印象深刻的性能。我们提出的模型重建了清晰的和更详细的HR图像输出,因此它对实时应用是很重要的。我们还试图找出一个对图像质量和计算时间来说最佳的点。与其他模型相比,我们模型的最佳点比之前的最先进的CNN模型大（100.7）。