Los métodos de detección de imágenes basados en aprendizaje profundo a menudo sufren de alta complejidad computacional y pérdida significativa de detalles de imagen en las reconstrucciones. Se propone una red de destilación de características densas no locales (NPDFD-Net) para la detección de imágenes. Primero, se aprovechan los priors no locales de las imágenes para mejorar la información de alta frecuencia en las mediciones. En segundo lugar, se diseñan un módulo de aprendizaje de descomposición de wavelet discreto y un módulo de reconstrucción de wavelet discreto inverso para reducir la pérdida de información y disminuir significativamente la complejidad computacional. En tercer lugar, se incorpora un mecanismo de destilación de características en bloques densos residuales para mejorar la eficiencia de transmisión de características. Finalmente, se propone un módulo de atención espacial mejorada a múltiples escalas para fortalecer la diversidad de características. Los resultados experimentales indican que, en comparación con MRCS_GAN, OCTUF y DPC-DUN, el método propuesto logra una mejora promedio de PSNR del 1.52%, 2.35% y 0.93%, respectivamente, en el conjunto de datos Set5. El tiempo de ejecución de la reconstrucción de imágenes se mejora en un 93.93%, 71.76% y 40.74%, respectivamente. Además, el método propuesto exhibe ventajas significativas en la restauración de detalles de textura fina en las imágenes reconstruidas.