Los satélites Sentinel-2 pueden proporcionar imágenes ópticas de teledetección gratuitas con una resolución espacial de hasta 10 M, pero los detalles espaciales proporcionados no son suficientes para muchas aplicaciones, por lo que vale la pena considerar mejorar la resolución espacial de las imágenes de los satélites Sentinel-2 a través de la superresolución (SR). Actualmente, los modelos de SR más efectivos se basan principalmente en el aprendizaje profundo, especialmente en la red generativa adversarial (GAN). Los modelos basados en GAN necesitan ser entrenados en pares de imágenes LR-HR. En este documento, se propone un modelo de red generativa adversarial de superresolución de dos pasos (TS-SRGAN). El primer paso es que la GAN entrene los modelos degradados. Sin imágenes HR supervisadas, solo se utilizan las imágenes de resolución de 10 m proporcionadas por los satélites Sentinel-2 para generar las imágenes degradadas, que están en el mismo dominio que las imágenes reales de LR, y luego para construir los pares de imágenes LR-HR casi naturales. El segundo paso es diseñar una red generativa adversarial de superresolución con características perceptuales fortalecidas, para mejorar los efectos perceptuales de las imágenes generadas. A través de experimentos, el método propuesto obtuvo un NIQE promedio tan bajo como 2.54, y superó a los modelos de vanguardia según otras dos métricas de NR-IQA, como BRISQUE y PIQE. Al mismo tiempo, la comparación de los efectos visuales intuitivos de las imágenes generadas también demostró la efectividad de TS-SRGAN.