Grâce au développement du réseau de neurones convolutionnel à super-résolution (SRCNN), les techniques d'apprentissage profond ont été largement appliquées dans le domaine de la super-résolution d'images. Les travaux antérieurs se sont principalement concentrés sur l'optimisation de la structure du SRCNN, obtenant ainsi de bons résultats en termes de vitesse et de qualité de restauration pour la super-résolution d'images. Toutefois, la plupart de ces approches ne prennent en compte qu'une échelle spécifique d'image pendant l'entraînement, en ignorant ainsi les relations entre différentes échelles d'images. Motivés par cette limitation, nous proposons dans cet article un réseau de neurones convolutionnels en cascade pour la super-résolution d'images (CSRCNN), composé de trois réseaux Fast SRCNN en cascade, chacun étant capable de traiter une échelle d'image spécifique. Cela permet d'entraîner simultanément des images à différentes échelles, et le réseau appris peut exploiter pleinement les informations présentes à différentes échelles. Des expériences étendues montrent que notre réseau atteint de très bons résultats en super-résolution d'images.