近几年，基于卷积神经网络（CNN）的单图像超分辨率（SR）重建方法成为了主流。通常情况下，重建模型的网络层数越深，提取的特征越多，重建效果越好；然而随着网络层数的加深，不仅会出现梯度消失的问题，还会显著增加参数量，增加训练的难度。针对以上问题，提出了一种基于密集Inception的单图像SR重建方法。该方法引入Inception-残差网络（Inception-ResNet）结构提取图像特征，全局采用简化后的密集网络，且仅构建每一个模块输出到重建层的路径，从而避免产生冗余数据来增加计算量。在放大倍数为4时，采用数据集Set5测试模型性能，结果显示与超深卷积神经网络的图像超分辨率（VDSR）相比，所提方法的结构相似性（SSIM）高了0.013 6；与基于多尺度残差网络的图像SR（MSRN）相比，SSIM高了0.002 9，模型参数量少了78%。实验结果表明，所提方法在保证模型的深度和宽度的情况下，显著减少了参数量，从而降低了训练的难度，而且取得了比对比方法更好的峰值信噪比（PSNR）和SSIM。
