针对基于混合构架的图像超分模型通常需要较高计算成本的问题，提出了一种基于CNN-Transformer混合构架的轻量图像超分网络STSR(Swin-Transformer-based　Single　Image　Super-Resolution)。首先，提出了一种并行特征提取的特征增强模块(Feature　Enhancement　Block,　FEB),由卷积神经网络(Convolutional　Neural　Network,　CNN)和轻量型Transformer网络并行地对输入图像进行特征提取，再将提取到的特征进行特征融合。其次，设计了一种动态调整模块(Dynamic　Adjustment,　DA),使得网络能根据输入图像来动态调整网络的输出，减少网络对无关信息的依赖。最后，采用基准数据集来测试网络的性能，实验结果表明STSR在降低模型参数量的前提下仍然保持较好的重建效果。