光场(LF)图像是一种能够记录光线方向和强度的图像，它可以提供丰富的视觉信息。近期，众多基于卷积神经网络(CNN)或Transformer的网络结构在光场图像处理任务中展现了巨大潜力。然而，由于光场图像在空间与角度之间的角度采样稀疏性，充分提取特征信息并挖掘其空间角度相关性成为实现光场图像超分辨率的重要挑战。针对这个问题，提出一种新的网络架构，以更好地重建高分辨率光场图像：经过浅特征提取部分逐渐提取视角内的特征；设计了具有通道注意力的多尺度特征提取模块，以有效融合在光场子空间上学到的特征；通过极平面图像(EPI)表示，将4D空间角度相关性投影到多个2D EPI平面上，通过全局注意力机制进一步学习和捕捉空间角度之间的复杂关联。这些操作能够更好地整合不同角度视图信息，充分挖掘光场子空间中的特征，并实现全局感受野。研究在5个公开的光场数据集上对所提出的方法进行了全面验证，结果表明，提出的方法在光场图像超分辨率任务中取得了更高的PSNR、SSIM值，生成的高分辨率光场图像具有更高的细节保真度和清晰度。