Les récentes avancées en super-résolution d'images (SR) ont exploré le potentiel de l'apprentissage profond pour améliorer les performances de reconstruction. Cependant, le mécanisme de rétroaction, qui est couramment présent dans le système visuel humain, n'a pas été pleinement exploité dans les méthodes actuelles de super-résolution d'images basées sur l'apprentissage profond. Dans cet article, nous proposons un réseau de rétroaction pour la super-résolution d'images (SRFBN) afin de raffiner les représentations de bas niveau avec des informations de haut niveau. Plus précisément, nous utilisons des états cachés dans un RNN avec des contraintes pour réaliser ce type de rétroaction. Un bloc de rétroaction est conçu pour gérer les connexions de rétroaction et générer des représentations puissantes de haut niveau. Le SRFBN proposé possède une forte capacité de reconstruction précoce et peut créer l'image haute résolution finale progressivement. De plus, nous introduisons une stratégie d'apprentissage par programme progressif pour rendre le réseau bien adapté aux tâches plus complexes, où les images à faible résolution sont dégradées par plusieurs types de détérioration. Des résultats expérimentaux approfondis démontrent la supériorité du SRFBN proposé par rapport aux méthodes les plus avancées actuellement disponibles. Le code source est disponible à l'adresse suivante : https://github.com/Paper99/SRFBN_CVPR19.