Un réseau neuronal convolutif profond (CNN) a récemment connu un grand succès dans la super-résolution d’images (SR), tout en offrant également des caractéristiques hiérarchiques. Toutefois, la plupart des modèles de SR basés sur les CNN profonds ne tirent pas pleinement parti des caractéristiques hiérarchiques provenant des images à faible résolution (LR) d’origine, ce qui limite leur performance relativement faible. Dans cet article, nous proposons un nouveau réseau résiduel dense (RDN) afin de résoudre ce problème dans la super-résolution d’images. Nous exploitons pleinement les caractéristiques hiérarchiques issues de toutes les couches convolutionnelles. Plus précisément, nous introduisons le bloc dense résiduel (RDB), conçu pour extraire des caractéristiques locales abondantes grâce à des couches convolutionnelles densément connectées. Le RDB permet également des connexions directes de l’état du RDB précédent à toutes les couches du RDB actuel, ce qui donne naissance à un mécanisme de mémoire continue (CM). La fusion des caractéristiques locales au sein du RDB permet ensuite d’apprendre de manière adaptative des caractéristiques plus efficaces à partir des caractéristiques locales précédentes et actuelles, tout en stabilisant l’entraînement des réseaux plus larges. Une fois les caractéristiques locales denses pleinement obtenues, nous utilisons une fusion globale des caractéristiques pour apprendre de manière conjointe et adaptative les caractéristiques hiérarchiques globales de façon holistique. Des expérimentations étendues sur des jeux de données standard, avec différents modèles de dégradation, montrent que notre RDN atteint des performances favorables par rapport aux méthodes de pointe.