近年来，一种深度极深的卷积神经网络（CNN）在图像超分辨率（SR）任务中取得了显著成功，并能够提取分层特征。然而，大多数基于深度CNN的超分辨率模型未能充分利用原始低分辨率（LR）图像中蕴含的分层特征，因而性能相对有限。针对这一问题，本文提出了一种新型的残差密集网络（Residual Dense Network, RDN）用于图像超分辨率。该网络充分挖掘了所有卷积层所提取的分层特征。具体而言，我们设计了残差密集块（Residual Dense Block, RDB），通过密集连接的卷积层提取丰富的局部特征。此外，RDB引入了从前序RDB状态到当前RDB所有层的直接连接，从而形成一种连续记忆（Contiguous Memory, CM）机制。RDB内部的局部特征融合机制能够自适应地学习来自前序与当前局部特征的更有效表示，同时有助于稳定更宽网络的训练过程。在充分获取密集局部特征的基础上，我们进一步采用全局特征融合策略，以整体化的方式联合且自适应地学习全局分层特征。在多种退化模型下的基准数据集上进行的大量实验表明，所提出的RDN在性能上优于当前最先进的方法。