目前，单幅图像超分辨率重建取得了很好的效果，然而大多数模型都是通过增加网络层数来达到好的效果，并没有去发掘各通道之间的相关性。针对上述问题，提出了一种基于通道注意力机制（CA）和深度可分离卷积（DSC）的图像超分辨率重建方法。整个模型采用多路径模式的全局和局部残差学习，首先利用浅层特征提取块来提取输入图像的特征；然后，在深层特征提取块中引入通道注意力机制，通过调整各通道的特征图权重来增加通道相关性，从而提取高频特征信息；最后，重建出高分辨率图像。为了减少注意力机制带来的巨大参数影响，在局部残差块中使用了深度可分离卷积技术以大大减少训练参数，同时采用自适应矩估计（Adam）优化器来加速模型的收敛，从而提高了算法性能。该方法在Set5、Set14数据集上进行图像重建，实验结果表明不仅该方法重建的图像具有更高的峰值信噪比（PSNR）和结构相似度（SSIM），而且所提模型的参数量减少为深度残差通道注意力网络（RCAN）模型的参数量的1/26。