Les réseaux de neurones convolutifs profonds (Deep CNN) ont obtenu des performances prometteuses pour la super-résolution d’images simples. En particulier, l’architecture Deep CNN skip Connection and Network in Network (DCSCN) a été efficacement appliquée à la super-résolution d’images naturelles. Dans ce travail, nous proposons une méthode appelée SDT-DCSCN, qui effectue conjointement la super-résolution et le déflouage d’images textuelles floues à faible résolution, basée sur l’architecture DCSCN. Notre approche utilise des images floues sous-échantillonnées en entrée et des images nettes originelles comme vérité terrain. L’architecture proposée intègre un nombre plus élevé de filtres dans la couche CNN d’entrée afin d’améliorer l’analyse des détails textuels. Les évaluations quantitatives et qualitatives réalisées sur différentes bases de données démontrent la haute performance de notre modèle dans la reconstruction d’images textuelles à haute résolution et nettes. En outre, en termes de temps de calcul, notre méthode propose des performances compétitives par rapport aux approches les plus avancées de l’état de l’art.