基于深度学习的技术显著提高了图像超分辨率网络的性能,其中轻量级卷积神经网络 (CNNs) 具有参数量较小、模型复杂度低等特点,但性能受到极大限制,这影响了超分辨率方法的实际应用。为解决此类问题,提出了一种轻量级多尺度大核卷积的超分辨率重建网络,该方法充分利用门控机制和大核卷积,提出了一种多阶门控聚合块,使用串联的门控单元以获得全局信息和局部信息;提出了一种多阶大核注意力块,通过大核卷积获得更大感受野,并提取不同尺度的图像特征;提出了一种聚焦门控聚合块,使用跳跃连接加强模型重建图像的能力。为验证本模型的效果,在模型参数量、响应速度等评价指标,以及主观视觉效果上进行了实验,并对模型各模块进行了消融分析实验。实验表明,与轻量级网络模型相比,所提出的方法在参数量、响应速度相近甚至减少的同时,在4个基准数据集上取得的峰值信噪比和结构相似度均有明显提升,更好地平衡了模型复杂度和性能,并且取得了更有效的主观视觉效果,达到更优秀的图像重建能力。