我们提出了一种高效且快速的单图像超分辨率（SISR）模型，该模型基于深度卷积神经网络（Deep CNN）。近年来，深度卷积神经网络在单图像超分辨率方面表现出显著的重建性能。当前的趋势是通过增加CNN层的深度来提高性能。然而，深层模型需要更多的计算资源，不适合用于移动设备、平板电脑和物联网（IoT）设备等网络边缘设备。我们的模型通过结合深度卷积神经网络、残差网络（Residual Net）、跳跃连接（Skip Connection）和网络中的网络（Network in Network，简称NiN）（DCSCN），实现了至少比现有方法低10倍的计算成本，并达到了最先进的重建性能。该模型使用了深度卷积神经网络和跳跃连接层的组合作为特征提取器，以提取图像的局部和全局特征。同时，还采用了并行化的1x1卷积神经网络（如NiN），用于图像重建。这种结构减少了前一层输出的维度，从而加快了计算速度并减少了信息损失，使得可以直接处理原始图像。此外，我们优化了每个CNN层的数量和滤波器数量，显著降低了计算成本。因此，所提出的算法不仅实现了最先进的性能，还实现了更快、更高效的计算。代码可在以下地址获取：https://github.com/jiny2001/dcscn-super-resolution