Las imágenes de alta calidad tienen un efecto importante en tareas de alto nivel. Sin embargo, debido a factores humanos y hardware de cámara, los dispositivos digitales recopilan imágenes de baja resolución. Las redes profundas pueden restaurar efectivamente estas imágenes dañadas a través de sus fuertes habilidades de aprendizaje. Sin embargo, la mayoría de estas redes dependían de arquitecturas más profundas para mejorar la claridad de las imágenes predichas, donde las características individuales no pueden tratar bien con pantallas complejas. En este documento, proponemos una CNN de super resolución dual (DSRCNN) para obtener imágenes de alta calidad. DSRCNN se basa en dos subredes para extraer características complementarias de baja frecuencia y mejorar la capacidad de aprendizaje de la red SR. Para evitar un problema de dependencia a largo plazo, se incorpora una combinación de convoluciones y operaciones de aprendizaje residual en las subredes duales. Para evitar la pérdida de información de una imagen original, se utiliza un bloque mejorado para recopilar información original y obtener información de alta frecuencia de una capa más profunda a través de convoluciones sub-píxel. Para obtener más características de alta frecuencia, se utiliza un bloque de aprendizaje de características para aprender más detalles de la información de alta frecuencia. El método propuesto es muy adecuado para escenas complejas de resolución de imagen. Los resultados experimentales muestran que el DSRCNN propuesto es superior a otros populares en las redes SR. Por ejemplo, nuestro DSRCNN ha obtenido una mejora de 0.08 dB en comparación con MemNet en Set5 para x3.