图像超分辨重建技术可以将低分辨率的图像转换成具有更高像素密度和更清晰细节的高分辨率图像,在军事、医学等领域发挥着重要作用。针对现有的图像超分辨率重建算法仍存在纹理细节、色彩还原度等方面处理不足的问题,本文提出了一种基于坐标注意力机制的多级残差跳跃连接网络(MRSCN),并将其应用于SRGAN模型,以实现对低分辨率图像特征的充分利用,判别模型引入PatchGAN思想,用于恢复图像细节,同时使用Charbonnier损失和TV损失对感知损失进行优化。该算法在Set5、Set14、Bsd100和Urban100数据集上进行4倍超分辨率重建测试,相对于其他常用的超分辨算法,本算法在重建图像时能够更好地保留纹理细节,得到的图像细节更加清晰,视觉效果更好并且有效降低了网络的参数量。客观评价指标方面,PSNR平均值相比原来的SRGAN提高了0.503 dB,SSIM平均值提高了0.007 6。