Proponemos un modelo de red neuronal profunda invariante a la escala basado en wavelets para la super resolución de imágenes individuales (SISR). Las imágenes de aproximación de wavelet y sus correspondientes subbandas de wavelet a través de todos los factores de escala predefinidos se combinan para formar un gran conjunto de datos de entrenamiento. Luego, se determinan las correspondencias entre las imágenes de subbandas de wavelet y sus imágenes de aproximación correspondientes. Finalmente, se utiliza el proceso de recorte de gradientes para aumentar la velocidad de entrenamiento del algoritmo. Además, se utiliza la transformada wavelet estacionaria (SWT) en lugar de una transformada wavelet discreta (DWT), debido a su propiedad de aumento de escala. De esta manera, podemos preservar más información sobre las imágenes. En el modelo propuesto, la imagen de alta resolución se recupera con características detalladas, debido a la propiedad de redundancia (a través de la escala) de las wavelets. Los resultados experimentales muestran que el modelo propuesto supera a los algoritmos del estado del arte en términos de relación señal-ruido pico (PSNR) y medida de índice de similitud estructural (SSIM).