基于卷积神经网络（CNN）的方法在单图像超分辨率（SISR）任务中取得了显著成功。然而，大多数现有模型在提升重建精度的同时，往往导致模型参数数量大幅增加，进而提高了计算资源的需求。为应对这一挑战，本文致力于在保持超分辨率重建性能的前提下，减少基于CNN的SISR方法的参数量与计算开销。为此，我们提出了一种新型网络架构，能够在重建质量与低计算复杂度之间实现良好平衡。具体而言，我们设计了一种基于子像素卷积（sub-pixel convolution）替代反卷积（deconvolution）层的迭代反投影架构。通过在四个主流超分辨率基准数据集上进行广泛的定量与定性评估，我们验证了所提模型在计算效率与重建精度方面的优越性能。实验结果表明，与当前最先进的SISR方法相比，本文提出的方法在显著减少模型参数量和计算成本的同时，仍能保持优异的重建精度。代码已公开，获取地址为：https://github.com/supratikbanerjee/SubPixel-BackProjection_SuperResolution。