超分辨率卷积神经网络最近在单幅图像的高质量恢复方面展示了出色的效果。然而，现有的算法通常需要非常深的网络架构和较长的训练时间。此外，当前用于超分辨率的卷积神经网络无法充分利用多尺度特征并给予它们同等权重，这限制了其学习能力。本文介绍了一种紧凑且准确的超分辨率算法——密集残差拉普拉斯网络（DRLN）。该网络通过在残差结构上叠加残差，使低频信息流能够专注于学习高、中层次特征。此外，通过密集连接的残差块设置实现了深度监督，这也有助于从高层次复杂特征中进行学习。我们还提出了拉普拉斯注意力机制，以建模关键特征并学习特征图之间的跨层和层内依赖关系。进一步的定量和定性评估表明，在低分辨率、噪声低分辨率以及真实历史图像基准数据集上，我们的DRLN算法在视觉效果和准确性方面均优于现有最先进方法。