单图像超分辨率是计算机视觉中一个非常重要的任务，具有广泛的应用。近年来，超分辨率模型的深度不断增加，但性能的提升却相对较小，这带来了巨大的计算量和内存消耗。在本研究中，为了提高超分辨率模型的有效性，我们提出了一种基于递归挤压与激励网络（SESR）的新型单图像超分辨率方法。通过引入挤压与激励模块，我们的SESR能够建模通道之间的相互依赖关系，从而提高了模型的效率。此外，模型中的递归结构和渐进重建方法减少了层数和参数数量，并使SESR能够在单一模型中同时训练多尺度超分辨率。经过对四个基准测试集的评估，证明了我们的模型在速度和准确性方面均优于现有最先进方法。