La profondeur des réseaux de neurones convolutifs (CNN) est d'une importance cruciale pour la sur-résolution d'images (SR). Cependant, nous constatons que les réseaux plus profonds pour la SR d'images sont plus difficiles à entraîner. Les entrées et les caractéristiques en basse résolution contiennent une abondance d'informations à basse fréquence, qui sont traitées de manière égale entre les canaux, ce qui nuit à la capacité représentative des CNN. Pour résoudre ces problèmes, nous proposons les très profonds réseaux de neurones à attention par canal avec structure résiduelle (RCAN). Plus précisément, nous proposons une structure résiduelle dans une structure résiduelle (RIR) pour former un réseau très profond, composé de plusieurs groupes résiduels avec des connexions sauteuses longues. Chaque groupe résiduel contient plusieurs blocs résiduels avec des connexions sauteuses courtes. Parallèlement, la RIR permet à l'abondante information à basse fréquence d'être contournée via plusieurs connexions sauteuses, permettant au réseau principal de se concentrer sur l'apprentissage des informations à haute fréquence. De plus, nous proposons un mécanisme d'attention par canal pour ajuster de manière adaptative les caractéristiques canal par canal en tenant compte des interdépendances entre les canaux. De nombreuses expériences montrent que notre RCAN atteint une meilleure précision et apporte des améliorations visuelles significatives par rapport aux méthodes de pointe actuelles.