Tief verbundene neuronale Netze (Deep CNN) haben eine vielversprechende Leistung bei der Super-Resolution einzelner Bilder erzielt. Insbesondere hat die Architektur Deep CNN mit Skip-Connections und Network-in-Network (DCSCN) erfolgreich bei der Super-Resolution natürlicher Bilder angewendet werden können. In dieser Arbeit stellen wir einen Ansatz namens SDT-DCSCN vor, der gleichzeitig die Super-Resolution und Entschärfung von niedrigauflösenden, verschwommenen Textbildern basierend auf DCSCN durchführt. Unser Ansatz verwendet untersampelte, verschwommene Bilder als Eingabe und originale scharfe Bilder als Referenz (Ground Truth). Die verwendete Architektur verfügt über eine größere Anzahl von Filtern in der Eingabeschicht des CNN, um eine detailliertere Analyse der Textmerkmale zu ermöglichen. Quantitative und qualitative Evaluierungen an verschiedenen Datensätzen belegen die hohe Leistungsfähigkeit unseres Modells zur Rekonstruktion von hochauflösenden und scharfen Textbildern. Zudem erzielt unser vorgeschlagener Ansatz im Hinblick auf die Berechnungszeit eine wettbewerbsfähige Leistung im Vergleich zu aktuellen State-of-the-Art-Methoden.