针对图像超分辨率重建网络因结构冗杂、参数量增加导致的计算量过大、训练时间过长等问题，提出一种注意力引导的轻量级图像超分辨率网络（LAGNet）。LAGNet将随机初始化的自适应权重引入深度残差网络结构，更大限度地利用浅层特征信息。其次，提出注意力引导（AG）模块，该模块使用高效通道注意力（ECA）模块和空间分组增强（SGE）模块双支路并联结构，结合通道间关系和空间位置信息特征，利用注意力引导层动态调整两个分支的权重占比，准确获取高频特征信息。最后，使用全局级联连接，减少网络参数量并加快信息流通速度。使用L1损失函数，在加快收敛速度的同时防止梯度爆炸。在三个基准数据集上的测试结果表明：相比其他网络，LAGNet的峰值信噪比平均提高0.39 dB，模型参数量平均减少24%，加法操作量和乘法操作量平均减少62%；在图像视觉效果上整体更为清晰，细节纹理更自然。