Mit der Entwicklung des Super-Resolution Convolutional Neural Networks (SRCNN) wurde die Technik des tiefen Lernens weitgehend im Bereich der Bild-Super-Resolution angewendet. Frühere Arbeiten konzentrierten sich hauptsächlich auf die Optimierung der Architektur von SRCNN und erreichten bereits hervorragende Leistung in Bezug auf Geschwindigkeit und Wiederherstellungsqualität bei der Bild-Super-Resolution. Allerdings berücksichtigen die meisten dieser Ansätze während des Trainingsprozesses nur ein spezifisches Skalenniveau eines Bildes und ignorieren dabei die Beziehungen zwischen verschiedenen Skalenniveaus. Ausgehend von dieser Einschränkung stellen wir in diesem Artikel ein kaskadiertes Faltungsneuronales Netzwerk für die Bild-Super-Resolution (CSRCNN) vor, das aus drei kaskadierten Fast SRCNNs besteht, wobei jedes Fast SRCNN ein bestimmtes Skalenniveau verarbeiten kann. Unterschiedliche Skalenniveaus von Bildern können gleichzeitig trainiert werden, und das gelernte Netzwerk kann die in verschiedenen Skalenniveaus enthaltenen Informationen optimal nutzen. Umfangreiche Experimente zeigen, dass unser Netzwerk eine hervorragende Leistung bei der Bild-Super-Resolution erzielt.