Recientemente, se han aplicado algoritmos basados en redes neuronales profundas y redes residuales para la superresolución y han mostrado un excelente rendimiento. En este documento, se propone una red residual profunda de múltiples ramas para la superresolución de imágenes individuales (MRSR). En la red, adoptamos un marco de red de múltiples ramas y optimizamos aún más la estructura de la red residual. Al utilizar bloques residuales y filtros de manera razonable, el tamaño del modelo se expande considerablemente mientras se garantiza un entrenamiento estable. Además, se propone una función de evaluación perceptual, que contiene tres partes de pérdida. Los resultados experimentales muestran que la función de evaluación brinda un gran apoyo para la calidad de la reconstrucción y el rendimiento competitivo. El método propuesto utiliza principalmente tres pasos de extracción de características, mapeo y reconstrucción para completar la reconstrucción de superresolución y muestra un rendimiento superior a otros métodos de superresolución de vanguardia en conjuntos de datos de referencia.