为了改善超分辨率图像重建算法存在的图像低频信息提取不足、边缘轮廓模糊、风格信息丢失等问题，提出一种全新的多尺度特征提取残差网络，在生成器网络结构中叠加使用残差特征聚合模块与多尺度感受野模块；采取浅层特征与深层特征接替训练，辅助网络对低频、高频信息的提取与融合；新添风格损失函数以约束风格信息，确保图像纹理、色彩、亮度等风格信息的有效传递。在自然景物占多数且细节信息多样的BSD100数据集上，其4倍图像重建的峰值信噪比(peak signal to noise ratio, PSNR)达到31.81 dB、结构相似性(structural similarity, SSIM)达到0.87,相比原始的超分辨率生成对抗(super-resolution generative adversarial network, SRGAN)算法，PSNR提高了3.47 dB,SSIM提高了0.04。实验结果表明，所提算法能够深层次学习自然景物图像在纹理细节、色彩亮度等方面的特征信息，实现多层网络结构对特征信息的连续性记忆性学习、提取与传递，使得重建图像质量更高。