针对现有基于深度学习的超分辨率方法存在参数冗余以及难以学习到全局上下文信息、重建图像高频特征能力欠佳的问题，提出一种基于感受野优化与渐进特征融合的超分辨率网络(RPSRnet),其在单幅图像重建方面实现了较高的性能。该网络采用像素注意力机制与大感受野卷积相结合的方式，设计两条渐进路径将输入表征为不同层次的特征抽象，增强网络捕获上下文信息的能力，同时减少了网络参数冗余。通过分层卷积和多重感受野分支，在保持轻量卷积的前提下，于分层的多路径上学习不同尺度的融合特征，增强网络重建边缘细节和复杂纹理特征的能力。实验结果表明：相比于先进算法，所提算法在基准测试集Set5上的峰值信噪比达到32.47 dB,在测试集Set14上达到28.81 dB,优于现有的先进算法，且网络参数更少，实现了9%的参数缩减，从而验证了算法的有效性。