Con el crecimiento de la población urbana, han surgido una serie de problemas urbanos, y cómo acelerar la construcción de ciudades inteligentes ha recibido una atención extensa. Las imágenes de teledetección tienen ventajas de amplia cobertura espacial y rica información, por lo que son adecuadas para ser utilizadas como datos de investigación para ciudades inteligentes. Sin embargo, debido a limitaciones en las condiciones del sensor de imagen y al clima complejo, las imágenes de teledetección enfrentan problemas de resolución insuficiente y oclusión por nubes, lo que no puede cumplir con los requisitos de resolución de las tareas de ciudades inteligentes. La técnica de superresolución de imágenes de teledetección (SR) puede mejorar los detalles y la información de textura sin actualizar el sistema del sensor de imagen, lo que se convierte en una solución factible para los problemas mencionados. En este documento, proponemos un nuevo método de superresolución de imágenes de teledetección que aprovecha las características de textura de referencias internas y externas para ayudar con la reconstrucción de SR. Introducimos el mecanismo de atención del transformador para seleccionar y extraer partes de las características de textura con altos valores de referencia para garantizar que la red sea ligera, efectiva y más fácil de implementar en dispositivos de computación perimetral. Además, nuestra red puede aprender y ajustar automáticamente los ángulos de alineación y escalas de las características de textura para obtener mejores resultados de SR. Experimentos de comparación extensos muestran que nuestro método propuesto logra un rendimiento superior en comparación con varios métodos de SR de última generación. Además, también evaluamos el valor de aplicación de nuestro método de SR propuesto en el reconocimiento de funciones de la región urbana en ciudades inteligentes. El conjunto de datos utilizado en esta tarea es de baja calidad. El experimento comparativo entre el conjunto de datos original y el conjunto de datos de SR generado por nuestro método de SR propuesto indica que nuestro método puede mejorar efectivamente la precisión de reconocimiento.