提出了一种基于退化模型的超分辨率重建方法，旨在解决航空精密零件图像采集过程中因失焦模糊导致的图像质量下降问题。首先，设计了一种真实的图像退化模型，模型包括失焦模糊、下采样和噪声等多种因素，通过扩展退化空间来模拟实际应用中的多样化退化情况。基于该模型生成合成数据，训练了超分辨率重建模型，以提高精密零件失焦图像的质量。为了提取图像特征，提出了一种新的基于Swin Transformer的图像超分辨率网络，堆叠了多个残差Swin Transformer通道注意力(residual swin transformer channel attention, RST-CA)模块，为每两个Swin Transformer模块引入通道注意力模块。实验结果表明，在恢复航空精密零件失焦图像细节方面优于传统的退化模型，特别是在零件纹理和微圆孔细节的重建上，显示出明显的清晰度提升。在客观评价指标上，相较于传统退化模型与经典超分方法(如EDSR、SRGAN、SwinIR等),该方法在PSNR和SSIM指标上平均提升约3.2 dB与0.05,尤其在微小孔结构的细节恢复方面表现更为优越。该研究为航空精密零件的失焦恢复和超分辨率重建提供了一种有效的技术路径，具有较大的应用前景和工业应用价值。